Los modelos probabilísticos constituyen un marco dentro de la Inteligencia Artificial para representar y resolver problemas de decisión complejos bajo incertidumbre. Este marco se encuentra en la intersección de diferentes disciplinas como la informática y la estadística, apoyándose en conceptos de algoritmos para grafos, teoría de probabilidades y aprendizaje automático, entre otros. Constituyen la base para una amplia variedad de aplicaciones, como el diagnóstico médico, la comprensión de imágenes, la robótica y el procesamiento del lenguaje natural. Esta asignatura contribuye al perfil profesional del estudiante proporcionándole herramientas fundamentales para resolver y estudiar problemas del mundo real bajo incertidumbre, al tiempo que le forma para utilizar una herramienta software que le permita utilizar los métodos aprendidos de una forma práctica y eficaz en su práctica laboral.

El objetivo de esta asignatura es que el alumno/a conozca los modelos gráficos probabilistas, principalmente las redes bayesianas y los diagramas de influencia, tanto los fundamentos teóricos como los algoritmos para el cálculo de probabilidades y la forma de construir modelos que resuelvan problemas del mundo real.

La asignatura Métodos Probabilistas se imparte tanto en el Máster Universitario en Investigación en Inteligencia Artificial (antes llamado "en Inteligencia Artificial Avanzada: Fundamentos, Métodos y Aplicaciones") como en el Máster Universitario en Tecnologías del Lenguaje (antes llamado "en Lenguajes y Sistemas Informáticos") de la ETSI Informática de la UNED, en ambos como optativa. Esta asignatura es de carácter anual con una carga de 6 ECTS.

Complementa a otras asignaturas del Máster en Investigación en IA que estudian los métodos lógicos, simbólicos, neuronales, evolutivos y los de aprendizaje. Estos son los métodos básicos que se utilizan en las distintas ramas de la IA, tales como la visión artificial, robótica, lenguaje natural, minería de datos, etc.

Naturalmente, estos métodos no son compartimentos estancos, sino que interactúan entre sí. Por ejemplo, algunos problemas de inferencia en modelos probabilistas pueden resolverse mediante algoritmos evolutivos, muchos de los métodos de aprendizaje simbólico utilizan técnicas probabilistas, existen formalismos que combinan la lógica y la probabilidad, etc.

Esta asignatura no requiere conocimientos previos específicos, pues el material básico preparado por el equipo docente explica los conceptos fundamentales necesarios, por ejemplo sobre grafos y sobre probabilidad. El único requisito es tener mentalidad matemática para seguir la exposición de los contenidos: definiciones, teoremas, demostraciones...

Aunque el material básico de la asignatura está en castellano, para las actividades complementarias es necesario leer con fluidez en inglés.

Para consultas de interés general (por ejemplo, sobre los contenidos de la asignatura, sobre cómo interpretar los enunciados de los ejercicios, etc.) envíe un mensaje al foro de la asignatura. No debe preguntar en el foro cómo resolver los ejercicios de evaluación.

Para consultas particulares (por ejemplo, una duda sobre la resolución de los ejercicios o sobre las calificaciones), puede preguntar en privado al coordinador de la asignatura:

Prof. Francisco Javier Diez Vegas
Guardias: lunes y miércoles 16:00-18:00.
Asistencia al estudiante: lunes y miércoles 10:30-13:30.
ETSI Informática. c/ Juan del Rosal, 16. Despacho 3.09.
Teléfono: 913987161
Correo electrónico: fjdiez@dia.uned.es.

.

COMPETENCIAS

C1 Comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.

C2 Abstracción, análisis, síntesis y relación de ideas.

C3 Capacidad crítica y de decisión.

C4 Capacidad de estudio y autoaprendizaje

C5 Capacidad creativa y de investigación.

C6 Habilidades sociales para el trabajo en equipo

C7 Capacidad de estudio de los sistemas y aproximaciones existentes y para distinguir las aproximaciones más efectivas.

C8 Capacidad para detectar carencias en el estado actual de la ciencia y la tecnología.

C9 Capacidad para proponer nuevas aproximaciones que de solución a las carencias detectadas.

CONOCIMIENTOS O CONTENIDOS

CO1 Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación.

CO2 Capacidad de comprender y manejar de forma básica los aspectos más importantes relacionados con los lenguajes y sistemas informáticos en general, y, de manera especial, en los siguientes ámbitos: Tecnologías del lenguaje y de acceso a la información en web.

HABILIDADES O DESTREZAS

H1 Capacidad de aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios relacionados con su área de estudio.

H2 Capacidad de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.

H3 Poseer las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

H4 Capacidad de especificar, diseñar, implementar y evaluar tanto cualitativa como cuantitativamente los modelos y sistemas propuestos.

H5 Capacidad para proponer y llevar a cabo experimentos con la metodología adecuada como para poder extraer conclusiones y determinar nuevas líneas de actuación e investigación. 

COMPETENCIAS

C1 Comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.

C2 Abstracción, análisis, síntesis y relación de ideas.

C3 Capacidad crítica y de decisión.

C4 Capacidad de estudio y autoaprendizaje.

C5 Capacidad creativa y de investigación.

C6 Habilidades sociales para el trabajo en equipo.

C7 Capacidad de estudio de los sistemas y aproximaciones existentes y para distinguir las aproximaciones más efectivas.

C8 Capacidad para detectar carencias en el estado actual de la ciencia y la tecnología.

C9 Capacidad para proponer nuevas aproximaciones que de solución a las carencias detectadas.

La asignatura no tiene clases presenciales. Los contenidos teóricos se impartirán a distancia, de acuerdo con las normas y los medios telemáticos de la enseñanza en la UNED.

El alumno debe estudiar la bibliografía básica, ver los vídeos docentes y practicar el tutorial de OpenMarkov.

[1] F. J. Díez. Introducción a los Modelos Gráficos Probabilistas. UNED, Madrid, 2007.

[2] F. J. Díez. Teoría probabilista de la decisión en medicina. Informe Técnico CISIAD-07-01, UNED, Madrid, 2007.

Estas referencias se pueden obtener de forma gratuita en Internet, en PDF.

Los documentos de la bibliografía básica contienen una selección de bibliografía comentada al final de cada tema.

Además, podrá encontrar documentos y enlaces adicionales en el área de documentos de la plataforma docente.

La plataforma docente ofrece material de estudio, foros y los enunciados de las Pruebas de Evaluación Continua (tareas). Los alumnos disponen además de una colección de vídeos docentes y un programa de ordenador, OpenMarkov, para la construcción y evaluación de modelos gráficos probabilistas. Este programa, desarrollado en la UNED, ha sido utilizado en más de 30 países de 4 continentes. OpenMarkov está escrito y compilado en Java, lo cual permite que pueda funcionar en diferentes plataformas y sistemas operativos (linux, Windows, etc.). En el sitio web de OpenMarkov  puede encontrar un archivo ejecutable, el código fuente del programa, un tutorial, documentos técnicos, etc.