Modelos Gráficos
Probabilistas:
Principios y Aplicaciones
Profesor:
Luis
Enrique Sucar
esucar (AT)
inaoep.mx
Descripción general
Curso:
Objetivos
Programa
Bibliografía
Revistas
y Congresos
Políticas
Calendario
Sesiones
de Clase
Notas
Nuevas:
Clase 1: Introducción [PDF]
Clase 2: Probabilidad [PDF]
Clase 3: Teoría de Información [PDF]
Clase 4: Grafos [PDF]
Clase 5: Métodos Básicos [PDF]
Clase 6: Clasificadores [PDF]
Clase 7: Modelos Ocultos de Markov [PDF]
Clase 8: Campos de Markov [PDF]
Clase 9: Redes Bayesianas - Representación [PDF]
Clase 10: Redes Bayesianas - Inferencia (Parte I) [PDF]
Clase 11: Redes Bayesianas - Inferencia (Parte II) [PDF]
Clase 12: Redes Bayesianas - Aprendizaje [PDF]
Clase 13: Redes Bayesianas - Extensiones y Aplicaciones [PDF]
Clase 14: Redes de Decisión [PDF]
Clase 15: Procesos de Decisión de Markov [PDF]
Clase 16: Alternativas y Extensiones [PDF]
Anteriores:
Sesion 1: Introducción [PDF]
Sesion 2: Probabilidad [PDF]
Sesión 3: Teoría de
Información [PDF]
Sesión 4: Teoría de Grafos [PDF]
Sesión 5:
Métodos básicos y clasificadores [PDF] [Ej1] [Ej2] [Ej3]
Sesión 6: Modelos Ocultos de Markov [PDF]
Sesión 7: Campos de Markov
[PDF]
Sesión 8: Redes Bayesianas: representación [PDF]
Sesión 9: Redes
Bayesianas: inferencia [PDF-parte1] [PDF-parte
2]
Sesión 10: Redes Bayesianas: aprendizaje [PDF]
Sesión 11: Modelos
dinámicos y continuos [PDF]
Sesión 12: Redes de
Decisión [PDF]
Sesión 13: Procesos
de Decisión de Markov [PDF]
Sesión 14:
Métodos alternativos [PDF]
Actividades
Semana 1:
Semana 2:
- Repaso de teoría de grafos
- Ejercicios de Grafos
- Cargar Weka (para prácticas con clasificadores)
Semana 3:
Semana 4:
Semana 5:
- Leer sobre Redes de Markov (capítulo 4 Koller & Friedman)
- Ejercicios de Campos de Markov
Semana 6:
Semana 7:
Semana 8:
Semana 9: Propuesta Proyecto:
- Entregar un documento (max. 2
páginas) con lo siguiente:
- Descripción del problema
- Objetivo del proyecto
- Alcances y resultados esperados
- Técnica(s) del curso que se aplican
- Implementación (que herramientas/lenguajes se van a
utilizar)
Semana 10:
- Leer sobre aprendizaje de redes bayesianas (Koller & Friedman Cap. 17 y 18)
- Ejercicios de Aprendizaje de Redes Bayesianas
- Avanzar en el desarrollo del proyecto final
Semana 11:
- Leer sobre árboles de decisión y diagrams de influencia (Sucar, Morales, Hoey Cap. 1,2; Koller & Friedman Cap. 22,23)
- Avanzar en el desarrollo del proyecto final
Semana 12:
- Leer sobre Procesos de Decisión de Markov (Sucar, Morales, Hoey - Cap. 3)
- Entrega preliminar del proyecto final:
- Presentación - 15 minutos por persona
- Reporte
del Proyecto Final - Entregar
un documento (2 impresiones) en forma de artículo
científico (usar formato
LN de Springer) de
máximo 10 páginas (sin incluir anexos) de su proyecto
final que contenga lo siguiente:
- Resumen
- Introducción
- Trabajo relacionado
- Metodología y Desarrollo
- Experimentos y resultados
- Conclusiones y trabajo futuro
- Referencias (usar
algún formato estandar)
- Anexos (resultados en
detalle, modelos, código, ...)
Semana 13:
- Leer sobre Lógica y Probabilidad (Koller & Friedman - Cap. 6)
- Entrega del proyecto final:
- Enviar comentarios a compañeros cc profesor - Viernes 27 Abril [formato]
- Enviar reporte final (PDF) - Miercoles 2 Mayo
Herramientas
Referencias
Aspectos filosóficos
Manejo de Incertidumbre en General
Modelos gráficos en general:
MC y HMMs:
Redes Bayesianas:
MDPs y POMDPs
UAI
Ligas de interés
Software/Datos:
Asociaciones:
Congresos:
Uncertainty in
AI
Probabilistic Graphical Models:
FLAIRS -
Uncertain Reasoning Track:
Redes Bayesianas:
Proyectos
Proyectos
anteriores:
Sugerencias de proyectos 2012:
- Aprendizaje de clasificadores multidimensionales en base a mejora estructural
- Clasificación de regiones en imágenes satelitales utilizando métodos probabilistas
- Seguimiento de objetos/personas utilizando filtros de Kalman o de Partículas
- Reconocimiento de ademanes con Kinect en base a HMMs o RBDs