3.62. AI261 Probabilidad y Estadistica para IA (Electivo)

3.62. AI261 Probabilidad y Estadistica para IA (Electivo)

Figura 3.61: Mapa de Conexión. AI261 Probabilidad y Estadistica para IA

3.62.1. Justificación Volver arriba

Este curso proporciona las bases probabilísticas y estadísticas esenciales para el desarrollo de sistemas de Inteligencia Artificial. Cubre distribuciones clave, inferencia bayesiana y métodos estadísticos aplicados directamente a problemas de aprendizaje automático, visión por computadora y procesamiento de lenguaje natural.

3.62.2. Objetivos Generales Volver arriba

  1. Comprender las distribuciones de probabilidad fundamentales en modelos de IA.
  2. Aplicar métodos de inferencia estadística en el entrenamiento de modelos.
  3. Implementar soluciones probabilísticas usando bibliotecas modernas (NumPy, SciPy).

3.62.3. Contribución a los resultados (Outcomes) Volver arriba

AG-C07) Conocimientos de Computación: Aplica conocimientos de matemáticas, ciencias y computación. (Usage)

3.62.4. Contenido Volver arriba

3.62.4.1. Fundamentos Probabilísticos (15 horas) [Habilidades AG-C07] Volver arriba

Referencias Bibliográficas: (Bishop, 2006; Murphy, 2012)

Temas

  1. Espacios de probabilidad y variables aleatorias
  2. Distribuciones clave: Normal, Poisson, Binomial, Multinomial
  3. Teorema de Bayes y aplicaciones en IA

Aprendizaje esperado (Learning Outcomes)

  1. Calcular probabilidades en modelos discretos/continuos [Usar]
  2. Explicar el rol de distribuciones en algoritmos de ML [Familiarizarse]
3.62.4.2. Estadística para IA (15 horas) [Habilidades AG-C07] Volver arriba

Referencias Bibliográficas: (DeGroot and Schervish, 2014; Wasserman, 2004)

Temas

  1. Estimación de parámetros (MLE, MAP)
  2. Intervalos de confianza y pruebas de hipótesis
  3. Análisis de correlación y regresión lineal

Aprendizaje esperado (Learning Outcomes)

  1. Implementar MLE/MAP en Python [Usar]
  2. Evaluar significancia estadística en resultados de modelos [Evaluar]
3.62.4.3. Cadenas de Markov y Procesos Estocásticos (15 horas) [Habilidades AG-C07] Volver arriba

Referencias Bibliográficas: (Ross, 2019; Bishop, 2006)

Temas

  1. Procesos de Markov ocultos (HMMs)
  2. Cadenas de Markov Monte Carlo (MCMC)
  3. Aplicaciones en NLP y visión computacional

Aprendizaje esperado (Learning Outcomes)

  1. Simular procesos estocásticos básicos [Usar]
  2. Relacionar teoría con arquitecturas de redes neuronales [Familiarizarse]
3.62.4.4. Herramientas Computacionales (15 horas) [Habilidades AG-C07] Volver arriba

Referencias Bibliográficas: (VanderPlas, 2016; McKinney, 2022)

Temas

  1. NumPy para operaciones probabilísticas
  2. SciPy para tests estadísticos
  3. Visualización con Matplotlib/Seaborn

Aprendizaje esperado (Learning Outcomes)

  1. Programar simulaciones probabilísticas [Usar]
  2. Generar visualizaciones estadísticas [Evaluar]

3.62.5. Referencias Bibliográficas Volver arriba

Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.

Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective. MIT Press.

DeGroot, M. H. and Schervish, M. J. (2014). Probability and Statistics. Pearson, 4th edition.

Wasserman, L. (2004). All of Statistics: A Concise Course in Statistical Inference. Springer. Aunque es de 2004, sigue siendo referencia estándar.

Ross, S. M. (2019). Introduction to Probability Models. Academic Press, 12th edition.

VanderPlas, J. (2016). Python Data Science Handbook. O'Reilly.

McKinney, W. (2022). Python for Data Analysis. O'Reilly, 3rd edition.

¿Encontraste una errata, un curso desactualizado, un enlace roto, o tienes una sugerencia? Cuéntanos.

Escanea para abrir en tu teléfono