Razonamiento Bayesiano
Curso de doctorado:
5 créditos.
[Programa de doctorado
del
Dpto. de Inteligencia Artificial
de la
UNED]
Información básica sobre el doctorado (autor: F. J. Díez)
Grupo de trabajo en aLF [¿qué es aLF/Innova?, cómo darse de alta (654 KB, PDF)]
Índice
- Presentación
- Contenido
- Profesores
- Calendario
- Material básico de estudio
- Bibliografía complementaria
-
Evaluación del curso
El método más antiguo para el tratamiento de la incertidumbre es la
probabilidad. Dentro del campo de la inteligencia artificial,
surgieron críticas contra el uso de métodos probabilistas en
sistemas expertos, especialmente porque las hipótesis
necesarias para hacer tratable el método bayesiano
clásico eran incorrectas en la mayor parte de los problemas del
mundo real. Esto motivó el desarrollo de otros métodos,
como los factores de certeza o la lógica difusa, en que se
introducen implícitamente hipótesis y aproximaciones
aún más exigentes. Afortunadamente, el desarrollo de las
redes
bayesianas
en la década de los 80 permitió refutar las objeciones
anteriores contra el uso de la probabilidad, construyendo un modelo de
razonamiento causal con un sólido fundamento
teórico.
Por otro lado, los diagramas de influencia, que
aparecen tamibién en la década de los 80, pueden considerarse como una
extensión de las redes bayesianas, que por tener nodos de decisión y
nodos de utilidad, permiten resolver problemas de toma de decisiones.
En la década de los 90 ha crecido exponencialmente el
número de investigadores, universidades y empresas dedicados a
este tema; actualmente existen sistemas expertos bayesianos en las
especialidades más diversas.
Dado que nuestra investigación aplicada se ha centrado sobre
todo en la medicina, la mayor parte de los ejemplos que ofrecemos en
este curso corresponden a sistemas expertos médicos, aunque
mencionaremos también las aplicaciones en ingeniería, visión
artificial, comercio electrónico, informática educativa,
interfaces inteligentes, etc.
- INTRODUCCIÓN AL RAZONAMIENTO APROXIMADO
- Fuentes de incertidumbre en sistemas expertos
- Breve historia de los métodos de razonamiento aproximado
- Nociones de probabilidad
- Método bayesiano clásico
- Métodos alternativos: factores de certeza y lógica difusa
- REDES
BAYESIANAS: FUNDAMENTOS
- Nociones sobre grafos
- Definición de red bayesiana
- El papel de la causalidad
- Modelos canónicos (OR, AND, MAX, etc.)
- Construcción de redes bayesianas
- Ejemplos y aplicaciones
- INFERENCIA EN REDES BAYESIANAS
- Método elemental
- Eliminación de variables
- Paso de mensajes en poliárboles
- Condicionamiento
- Métodos de agrupamiento
- Métodos para modelos canónicos
- Métodos estocásticos
- DIAGRAMAS DE INFLUENCIA
- Introducción a la teoría de la decisión
- Definición de diagramas de influencia
- Relación con árboles de decisión
- Algoritmos de evaluación
- Funciones de utilidad en medicina
- Ventajas frente a las guías de práctica clínica
- Aplicaciones a otros campos
- TEMAS AVANZADOS
(es posible que no dé tiempo a exponerlos todos)
- Explicación del razonamiento
- Razonamiento temporal
- Aprendizaje automático
- Estimación subjetiva de la probabilidad
- Sesgos en la determinación experimental de la probabilidad
- CONCLUSIONES
Severino Fernández Galán / Francisco Javier Díez Vegas
Horario de guardia: lunes, de 4 a 8 de la tarde.
- Dirección de correo:
-
S. F. Galán / F. J. Díez
Dpto. Inteligencia Artificial
UNED. Juan del Rosal, 16
28040 Madrid
Teléfonos:
91.398.73.00 / 91.398.71.61
Correo-e:
seve@dia.uned.es / fjdiez@dia.uned.es
En el curso 2005-06 habrá una sesión presencial de
presentación del curso, que tendrá lugar el día 17
de enero
de 2006, a las 16:00 hrs. en la E.T.S.I. Informática de la UNED (plano).
En esta sesión se hará entrega del material del curso.
Por otra parte, habrá otra sesión presencial destinada
a exponer los trabajos realizados por los alumnos. Dicha
sesión tendrá lugar en la E.T.S.I. Informática en
septiembre de 2006, en día y hora a fijar. Se recomienda a los
alumnos estar atentos a esta página y al foro aLF/Innova
mencionado anteriormente, ante posibles cambios imprevistos o actualizaciones en dichas fechas.
5.1 Bibliografía básica
-
F.J. Díez.
Introducción al Razonamiento Aproximado.
Dpto. Inteligencia Artificial, UNED, 1998. Edición revisada: noviembre 2005.
-
Explica el método bayesiano clásico, las redes bayesianas,
los factores de certeza y la lógica difusa.
-
F.J. Díez.
Probabilidad y Teoría de la Decisión en Medicina.
Dpto. Inteligencia Artificial, UNED, 2002.
-
Explica las redes bayesianas y los diagramas de influencia. Este
material se entregará a los alumnos de doctorado en las
sesiones presenciales.
-
E. Castillo, J.M. Gutiérrez y A.S. Hadi.
Sistemas
Expertos y Modelos de Redes Probabilísticas.
Academia de Ingeniería, Madrid, 1997.
-
Un libro excelente sobre sistemas basados en reglas y redes
bayesianas, que fue publicado en español y en inglés. La versión
española puede obtenerse de forma gratuita en Internet.
-
S. Ríos, C. Bielza y A. Mateos.
Fundamentos de los Sistemas de Ayuda a la Decisión.
Ra-Ma, Madrid, 2002.
-
Un libro excelente sobre análisis de decisiones. Además
de los diagramas de influencia, explica la obtención de
utilidades y otros métodos de toma de decisiones relacionados con los diagramas de influencia.
5.2 Vídeos docentes
Vídeos docentes sobre Probabilidad y Teoría de la Decisión en Medicina.
- R.G. Cowell, A.P. Dawid, S.L. Lauritzen y D.J. Spiegelhalter. Probabilistic Networks and Expert Systems.
Springer-Verlag, Nueva York, 1999.
- Un
libro muy completo, pero difícil de leer por su formalismo
matemático. Para estudiantes avanzados. (Erratas)
- F.J. Díez Vegas.
Sistema Experto Bayesiano
para Ecocardiografía. Tesis doctoral,
Dpto. Informática y Automática, UNED, 1994.
-
Trata casi todos los temas relativos a las redes bayesianas; incluye 272
referencias. Ha quedado algo obsoleta en sus contenidos, pero a
algunos doctorandos les ayuda a plantear el esquema de su tesis.
- J.A. Gámez y J.M. Puerta (Eds.).
Sistemas Expertos Probabilísticos.
Universidad de Castilla-La Mancha, Cuenca, 1998.
-
Una exposición clara y completa de casi
todos los aspectos de las redes bayesianas.
Incluye un
capítulo
sobre aplicaciones médicas.
-
F.V. Jensen.
Bayesian Networks and Decision Graphs.
Springer-Verlag, Nueva York, 2001.
- Trata las redes bayesianas y los diagramas de influencia. Un libro excelente y fácil de leer.
- R. E. Neapolitan. Learning Bayesian Networks. Prentice-Hall, Upper Saddle River, NJ, 2003.
- Explica
la construcción de redes bayesianas a partir de bases de datos.
Un libro muy completo, al alcance de todo alumno de doctorado.
-
J. Pearl. Probabilistic Reasoning in Intelligent Systems:
Networks of Plausible Inference.
Morgan Kaufmann, San Mateo, CA, 1988.
-
Es el libro más famoso sobre redes bayesianas, aunque resulta
dificil de leer para el principiante. Discute también las semejanzas
y diferencias respecto de otros métodos de razonamiento aproximado.
- M. Gómez Olmedo.
IctNeo: Un sistema de Ayuda a la Decisión para el
Tratamiento de la Ictericia en Recién Nacidos (1'19
MB en formato PostScript, comprimido con gzip). Tesis doctoral, Dpto.
Inteligencia Artificial, Universidad Politécnica de Madrid,
2001.
-
Una tesis excelente (Premio
de la Real Academia de Doctores 2002), que cubre ampliamente los
diagramas de influencia, con numerosas referencias
bibliográficas.
- G. Shafer y J. Pearl (Eds.). Readings in Uncertain
Reasoning. Morgan Kaufmann, San Mateo, CA, 1990.
-
Recopilación de los artículos más importantes
publicados hasta esa fecha sobre razonamiento con incertidumbre
(aunque recoge solamente uno dedicado a la lógica difusa). Una
obra imprescindible para los investigadores sobre razonamiento con
incertidumbre.
Para obtener los 5 créditos asociados a este curso existen dos
opciones:
Ejercicios:
Se trata de una colección de ejercicios que deberán
ser resueltos y enviados a los profesores del curso antes del 14 de septiembre
.
La calificación máxima para los alumnos que escojan esta opción es de
Notable.
Trabajo:
El alumno, de acuerdo con el profesor, escoge un tema de trabajo y
escribe un informe sobre él. Algunos de los posibles temas son los
siguientes:
- Fundamentos del razonamiento bayesiano
Trabajos teóricos sobre probabilidad, redes bayesianas y/o diagramas
de influencia, que amplíen los temas tratados en el curso o estudien
otros temas afines, tales como:
- relación entre modelos gráficos y causalidad,
- modelos canónicos (puertas OR, AND, MAX...),
- inferencia en redes bayesianas mediante métodos exactos o aproximados,
- evaluación de diagramas de influencia,
- estudio sobre utilidad y preferencias,
- aspectos psicológicos de la toma de decisiones,
- explicación del razonamiento,
- razonamiento temporal,
- aprendizaje automático de redes bayesianas,
- etc., etc.
a partir de la bibliografía proporcionada por el profesor y la buscada
por el alumno.
- Aplicaciones del razonamiento bayesiano
Construcción de redes bayesianas o diagramas de influencia en el campo
que más interese al doctorando: medicina, ingeniería, informática
educativa, etc.
- Herramientas para razonamiento bayesiano
Implementación de algoritmos relativos a redes bayesianas o diagramas
de influencia utilizando el entorno
Elvira,
que está desarrollado en Java.
Observe que estas tres áreas (fundamentos, aplicaciones y
herramientas) corresponden a los tres tipos de trabajos de
investigación tutelados asociados a este curso dentro del
período de investigación (vea la
normativa
de doctorado),
aunque, como es natural, el nivel que se exige para un trabajo del
período de investigación es superior al de un trabajo de un curso de
doctorado.
Revisión: 20 de diciembre 2005.