¿Qué aprenderás?
- Conceptos básicos de probabilidad y teoría de gráficas (grafos): Entender los conceptos matemáticos básicos que se usan como parte de redes bayesianas, siendo estas una combinación de conceptos probabilísticos (e.g. independencia) y teoría de gráficas.
- Redes de Markov: Identificar dos tipos de modelos gráficos probabilísticos: redes Bayesianas y de Markov, siendo etsas últimas asociadas a gráficas no dirigidas. Entender los conceptos detrás y ajustar dos subtipos de redes de Markov: Modelos gráficos loglineales y aquellas basadas en distribuciones Gaussianas. Leer independencias condicionales y marginales a partir del modelo.
- Conceptos básicos de redes bayesianas: Entender conceptos como el de distribución de probabilidad local y relacionarlos con los sistemas expertos a través de ejemplos simples, incluyendo Naive Bayes.
- Inferencia en redes bayesianas: Calcular probabilidades marginales con o sin asignación de valores a algunas de las variables incluidas en el modelo (evidencia). Entender el funcionamiento general del algoritmo de árboles en conglomerados.
- Aprendizaje Estructural: Estimación de parámetros y determinación de la estructura gráfica asociada a un conjunto de datos usando algoritmos como hill-climbing y puntajes.
- Redes bayesianas continuas y clasificadores: Entender que las redes bayesianas pueden generalizar modelos lineales a través de modelar dependencias entre múltiples variables. Usar redes bayesianas desde un enfoque predictivo usando conceptos como los de conjunto de entrenamiento, prueba y métricas.
- Redes bayesianas con ponderación: Usar remuestreo para determinar la fuerza de las relaciones existentes en una red bayesiana.
¿Por qué tomar este curso?
Al finalizar, serás capaz de:
- Entender e ilustrar en software conceptos fundamentales de teoría de gráficas (grafos).
- Ajustar redes de Markov, caso continuo y con variables cualitativas, para obtener representaciones gráficas de la asociación entre variables, determinando independencias significativas condicionales y marginales entre variables. Usar procedimientos iterativos para determinar la estructura gráfica asociada a un conjunto de datos.
- Entender lo que define una red bayesiana y sus partes. Relacionar con modelos simples: ajuste e interpretación de Naive Bayes.
- Calcular probabilidades marginales bajo un modelo ajustado y calcular probabilidades de un conjunto de variables dada una asignación de valores de otras variables o evidencia. Entender, conceptualmente y usando software, las partes del algoritmo en árbol de conglomerados, usado en esos cálculos.
- Aplicar aprendizaje estructural para determinar la estructura gráfica y direccional que podría representar el comportamiento de datos reales. Aplicar redes bayesianas continuas para determinar relaciones direccionales entre conjuntos de variables cuantitativas.
- Usar redes bayesianas, incluyendo Naive Bayes, como clasificadores: modelos que nos permiten determinar a que categoría pertenece un individuo de acuerdo con sus características
- Usar remuestreo para determinar la fuerza de las relaciones entre variables de acuerdo a redes bayesianas.
¡Domina las Redes Bayesiana y lleva tu análisis estadístico y de machine learning al siguiente nivel!
👉 Inscríbete hoy y aprende a relacionar de forma compleja variables.
Temario: Temario_Redes_bayesianas
Valoraciones
No hay valoraciones aún.