Modelos gráficos probabilísticos
Los modelos gráficos probabilísticos (MGP) son un rico marco para codificar distribuciones de probabilidad sobre dominios complejos: distribuciones conjuntas
Así estudias: curso autodidacta
- Autodidacta y 100% en línea: contenido disponible 24/7.
- Avanzas a tu ritmo: la plataforma guarda tu progreso.
- Sin tutor ni clases en vivo: el curso está diseñado para estudiarse por tu cuenta.
- Te evalúas con actividades automáticas, sin entregas a un tutor.
Lo que serás capaz de hacer
Los modelos gráficos probabilísticos (MGP) son un rico marco para codificar distribuciones de probabilidad sobre dominios complejos: distribuciones conjuntas (multivariantes) sobre un gran número de variables aleatorias que interactúan entre sí. Estas representaciones se sitúan en la intersección de la estadística y la informática, apoyándose en conceptos de la teoría de la probabilidad, los algoritmos de grafos, el aprendizaje automático, etc. Son la base de los métodos más avanzados en una amplia variedad de aplicaciones, como el diagnóstico médico, la comprensión de imágenes, el reconocimiento del habla, el procesamiento del lenguaje natural y muchas, muchas más. También son una herramienta fundamental en la formulación de muchos problemas de aprendizaje automático. Este curso es el primero de una secuencia de tres. En él se describen las dos representaciones básicas de las MGP: Las redes bayesianas, que se basan en un grafo dirigido; y las redes de Markov, que utilizan un grafo no dirigido. El curso discute tanto las propiedades teóricas de estas representaciones como su uso en la práctica. La asignatura de honor (muy recomendable) contiene varias tareas prácticas sobre cómo representar algunos problemas del mundo real. El curso también presenta algunas extensiones importantes más allá de la representación PGM básica, que permiten codificar de forma compacta modelos más complejos.
Temario
UNIDAD 1 - Introducción y visión general · 5 leccionesModelos gráficos probabilísticos 1: Representación - UNIDAD 1 - Introducción y visión general
Modelos gráficos probabilísticos 1: Representación - UNIDAD 1 - Introducción y visión general
- ¡Bienvenido!
- Visión general y motivación
- Distribuciones
- Factores
- Definiciones básicas
UNIDAD 2 - Red bayesiana (modelos dirigidos) · 25 leccionesModelos gráficos probabilísticos 1: Representación - UNIDAD 2 - Red bayesiana (modelos dirigidos)
Modelos gráficos probabilísticos 1: Representación - UNIDAD 2 - Red bayesiana (modelos dirigidos)
- Semántica y factorización
- Patrones de razonamiento
- Flujo de influencia probabilística
- Fundamentos de las redes bayesianas
- Independencia condicional
- Independencias en las redes bayesianas
- Naive Bayes
- Independencias de la red bayesiana
- Aplicación - Diagnóstico médico
- Ejemplo de ingeniería del conocimiento - SAMIAM
- Configuración de su entorno de asignación de programación
- Instalación de Octave/MATLAB en Windows
- Instalación de Octave/MATLAB en Mac OS X (10.10 Yosemite y 10.9 Mavericks)
- Instalación de Octave/MATLAB en Mac OS X (10.8 Mountain Lion y versiones anteriores)
- Instalación de Octave/MATLAB en GNU/Linux
- Más recursos Octave/MATLAB
- Operaciones básicas
- Mover datos
- Computación sobre datos
- Trazado de datos
- Sentencias de control: sentencias for, while, if
- Vectorización
- Trabajar y enviar ejercicios de programación
- Instalación de Octave/Matlab
- Ingeniería del conocimiento BN simple
UNIDAD 3 - Modelos de plantillas para redes bayesianas · 5 leccionesModelos gráficos probabilísticos 1: Representación - UNIDAD 3 - Modelos de plantillas para redes bayesianas
Modelos gráficos probabilísticos 1: Representación - UNIDAD 3 - Modelos de plantillas para redes bayesianas
- Visión general de los modelos de plantillas
- Modelos temporales - DBN
- Modelos temporales - HMM
- Modelos de placas
- Modelos de plantillas
UNIDAD 4 - DPC estructurados para redes bayesianas · 7 leccionesModelos gráficos probabilísticos 1: Representación - UNIDAD 4 - DPC estructurados para redes bayesianas
Modelos gráficos probabilísticos 1: Representación - UNIDAD 4 - DPC estructurados para redes bayesianas
- Panorama general: DPC estructurados
- DPC estructurados en árbol
- Independencia de la influencia causal
- Variables continuas
- DPC estructurados
- BNs para la herencia genética
- BNs para la herencia genética PA Quiz
UNIDAD 5 - Redes de Markov (modelos no dirigidos) · 10 leccionesModelos gráficos probabilísticos 1: Representación - UNIDAD 5 - Redes de Markov (modelos no dirigidos)
Modelos gráficos probabilísticos 1: Representación - UNIDAD 5 - Redes de Markov (modelos no dirigidos)
- Redes de Markov por parejas
- Distribución general de Gibbs
- Campos aleatorios condicionales
- Redes de Markov
- Independencias en las redes de Markov
- I-maps y mapas perfectos
- Independencias revisitadas
- Modelos log-lineales
- Características compartidas en modelos log-lineales
- Redes de Markov para OCR
UNIDAD 6 - Toma de decisiones · 6 leccionesModelos gráficos probabilísticos 1: Representación - UNIDAD 6 - Toma de decisiones
Modelos gráficos probabilísticos 1: Representación - UNIDAD 6 - Toma de decisiones
- Utilidad máxima esperada
- Funciones de utilidad
- Valor de la información perfecta
- Teoría de la decisión
- Toma de decisiones
- Toma de decisiones PA Quiz
UNIDAD 7 - Ingeniería del conocimiento y resumen · 2 leccionesModelos gráficos probabilísticos 1: Representación - UNIDAD 7 - Ingeniería del conocimiento y resumen
Modelos gráficos probabilísticos 1: Representación - UNIDAD 7 - Ingeniería del conocimiento y resumen
- Ingeniería del conocimiento
- Representación Examen final
UNIDAD 8 - Visión general de la inferencia · 2 leccionesModelos gráficos probabilísticos 2: Inferencia - UNIDAD 8 - Visión general de la inferencia
Modelos gráficos probabilísticos 2: Inferencia - UNIDAD 8 - Visión general de la inferencia
- Visión general: Consultas de probabilidad condicional
- Visión general: Inferencia MAP
UNIDAD 9 - Eliminación de variables · 5 leccionesModelos gráficos probabilísticos 2: Inferencia - UNIDAD 9 - Eliminación de variables
Modelos gráficos probabilísticos 2: Inferencia - UNIDAD 9 - Eliminación de variables
- Algoritmo de eliminación de variables
- Complejidad de la eliminación de variables
- Perspectiva gráfica de la eliminación de variables
- Encontrar ordenaciones de eliminación
- Eliminación de variables
UNIDAD 10 - Algoritmos de propagación de la creencia · 12 leccionesModelos gráficos probabilísticos 2: Inferencia - UNIDAD 10 - Algoritmos de propagación de la creencia
Modelos gráficos probabilísticos 2: Inferencia - UNIDAD 10 - Algoritmos de propagación de la creencia
- Algoritmo de propagación de la creencia
- Propiedades de los grafos de conglomerados
- Propiedades de la propagación de creencias
- Paso de mensajes en grafos de clusters
- Algoritmo del árbol en clique - Corrección
- Algoritmo del árbol en clique - Cálculo
- Árboles de cliques e independencia
- Árboles de camarilla y VE
- Algoritmo del árbol de cliques
- BP en la práctica
- Loopy BP y descodificación de mensajes
- Inferencia exacta
UNIDAD 11 - Algoritmos MAP · 6 leccionesModelos gráficos probabilísticos 2: Inferencia - UNIDAD 11 - Algoritmos MAP
Modelos gráficos probabilísticos 2: Inferencia - UNIDAD 11 - Algoritmos MAP
- Suma máxima de paso de mensajes
- Encontrar una asignación MAP
- Paso de mensajes MAP
- Problemas MAP trazables
- Descomposición dual - Intuición
- Descomposición dual - Algoritmo
UNIDAD 12 - Métodos de muestreo · 8 leccionesModelos gráficos probabilísticos 2: Inferencia - UNIDAD 12 - Métodos de muestreo
Modelos gráficos probabilísticos 2: Inferencia - UNIDAD 12 - Métodos de muestreo
- Muestreo simple
- Cadena de Markov Monte Carlo
- Utilizar una cadena de Markov
- Muestreo de Gibbs
- Algoritmo Metropolis Hastings
- Métodos de muestreo
- Métodos de muestreo
- Métodos de muestreo PA Quiz
UNIDAD 13 - Inferencia en modelos temporales · 2 leccionesModelos gráficos probabilísticos 2: Inferencia - UNIDAD 13 - Inferencia en modelos temporales
Modelos gráficos probabilísticos 2: Inferencia - UNIDAD 13 - Inferencia en modelos temporales
- Inferencia en modelos temporales
- Inferencia en modelos temporales
UNIDAD 14 - Resumen de inferencias · 2 leccionesModelos gráficos probabilísticos 2: Inferencia - UNIDAD 14 - Resumen de inferencias
Modelos gráficos probabilísticos 2: Inferencia - UNIDAD 14 - Resumen de inferencias
- Inferencia: Resumen
- Examen final de inferencia
UNIDAD 15 - Aprendizaje: Visión general · 1 leccionesModelos gráficos probabilísticos 3: Aprendizaje - UNIDAD 15 - Aprendizaje: Visión general
Modelos gráficos probabilísticos 3: Aprendizaje - UNIDAD 15 - Aprendizaje: Visión general
- Aprendizaje: Visión general
UNIDAD 16 - Repaso de los conceptos de aprendizaje automático de la clase de aprendizaje automático del profesor Andrew Ng (opcional) · 6 leccionesModelos gráficos probabilísticos 3: Aprendizaje - UNIDAD 16 - Repaso de los conceptos de aprendizaje automático de la clase de aprendizaje automático del profesor Andrew Ng (opcional)
Modelos gráficos probabilísticos 3: Aprendizaje - UNIDAD 16 - Repaso de los conceptos de aprendizaje automático de la clase de aprendizaje automático del profesor Andrew Ng (opcional)
- Regularización: El problema del sobreajuste
- Regularización: Función de costes
- Evaluar una hipótesis
- Selección del modelo y conjuntos de pruebas de validación del entrenamiento
- Diagnóstico del sesgo frente a la varianza
- Regularización y varianza del sesgo
UNIDAD 17 - Estimación de parámetros en redes bayesianas · 7 leccionesModelos gráficos probabilísticos 3: Aprendizaje - UNIDAD 17 - Estimación de parámetros en redes bayesianas
Modelos gráficos probabilísticos 3: Aprendizaje - UNIDAD 17 - Estimación de parámetros en redes bayesianas
- Estimación de máxima verosimilitud
- Estimación de máxima verosimilitud para redes bayesianas
- Aprendizaje en modelos paramétricos
- Estimación bayesiana
- Predicción bayesiana
- Estimación bayesiana para redes bayesianas
- Priores bayesianos para BNs
UNIDAD 18 - Aprendizaje de modelos no dirigidos · 5 leccionesModelos gráficos probabilísticos 3: Aprendizaje - UNIDAD 18 - Aprendizaje de modelos no dirigidos
Modelos gráficos probabilísticos 3: Aprendizaje - UNIDAD 18 - Aprendizaje de modelos no dirigidos
- Máxima verosimilitud para modelos log-lineales
- Máxima verosimilitud para campos aleatorios condicionales
- Estimación MAP para MRFs y CRFs
- Estimación de parámetros en los MN
- Aprendizaje CRF para OCR
UNIDAD 19 - Estructura de la BN de aprendizaje · 10 leccionesModelos gráficos probabilísticos 3: Aprendizaje - UNIDAD 19 - Estructura de la BN de aprendizaje
Modelos gráficos probabilísticos 3: Aprendizaje - UNIDAD 19 - Estructura de la BN de aprendizaje
- Estructura Visión general del aprendizaje
- Puntuaciones de probabilidad
- BIC y consistencia asintótica
- Puntuaciones bayesianas
- Puntuación de la estructura
- Redes estructuradas en árboles de aprendizaje
- Aprendizaje de grafos generales: Búsqueda heurística
- Aprendizaje de grafos generales: Búsqueda y descomponibilidad
- Aprendizaje de los árboles y escalada de colinas
- Aprendizaje de redes estructuradas en árbol
UNIDAD 20 - Aprendizaje de BNs con datos incompletos · 8 leccionesModelos gráficos probabilísticos 3: Aprendizaje - UNIDAD 20 - Aprendizaje de BNs con datos incompletos
Modelos gráficos probabilísticos 3: Aprendizaje - UNIDAD 20 - Aprendizaje de BNs con datos incompletos
- Aprender con datos incompletos - Visión general
- Maximización de expectativas - Intro
- Análisis del algoritmo EM
- La EM en la práctica
- Variables latentes
- Aprender con datos incompletos
- Maximización de expectativas
- Aprender con datos incompletos
UNIDAD 21 - Resumen del aprendizaje y final · 2 leccionesModelos gráficos probabilísticos 3: Aprendizaje - UNIDAD 21 - Resumen del aprendizaje y final
Modelos gráficos probabilísticos 3: Aprendizaje - UNIDAD 21 - Resumen del aprendizaje y final
- Resumen: Aprendizaje
- Aprendizaje: Examen final
UNIDAD 22 - Recapitulación de la PGM · 1 leccionesModelos gráficos probabilísticos 3: Aprendizaje - UNIDAD 22 - Recapitulación de la PGM
Modelos gráficos probabilísticos 3: Aprendizaje - UNIDAD 22 - Recapitulación de la PGM
- Resumen del curso PGM
Certificado con validez SEP: lo emite la SEP, no solo una plataforma
Al demostrar la competencia recibes un certificado emitido por la Secretaría de Educación Pública a través del Gobierno del Estado de México: un documento oficial que puedes presentar con confianza ante cualquier empleador o institución.
Tu certificado con INEC
- Lo emite la Secretaría de Educación Pública (SEP), a través del Gobierno del Estado de México
- Documento oficial con folio verificable en línea
- Lo otorga la Universidad Tecnológica Fidel Velázquez
Otras plataformas en línea
- Constancia privada emitida por la misma plataforma
- Solo acredita horas cursadas o asistencia
- Sin respaldo de una autoridad educativa
Tu itinerario, de la inscripción al certificado
- 1
Inscripción con pago único
Pagas $4,990 MXN una sola vez y entras de inmediato al curso.
- 2
Estudias a tu ritmo
22 unidades con videos, lecturas y actividades, disponibles 24/7 durante 12 meses.
- 3
Cuestionarios por unidad
28 cuestionarios para comprobar lo aprendido.
- 4
Certificado
Emitido por la SEP a través del Gobierno del Estado de México, con folio verificable.
Un certificado oficial de la SEP
Muestra · verificable por folio y QR
- Certificado SEP incluido (sin costo). Emitido por la Secretaría de Educación Pública (SEP), a través del Gobierno del Estado de México. No es una constancia privada: es un documento oficial, y ese respaldo marca la diferencia frente a otras plataformas en línea.
- Contenido impartido por Stanford Online.
- Folio y QR verificables para compartirlo con quien te contrate.
Empieza hoy, a tu ritmo
Un solo pago y acceso inmediato al curso completo durante 12 meses.
- 22 unidades · 137 lecciones · 144 h
- 12 meses de acceso
- 28 cuestionarios de evaluación
- Certificado SEP incluido (sin costo), emitido por la SEP (Gob. del Estado de México) con folio verificable
Sobre tu inscripción
¿Cómo es el pago?
Un solo pago de $4,990 MXN. No hay mensualidades ni cargos recurrentes.
¿Cuánto tiempo tengo acceso?
12 meses desde tu inscripción, 24/7, para avanzar a tu ritmo.
¿Quién imparte el contenido?
El curso es impartido por Stanford Online; INEC gestiona tu inscripción, evaluación y certificado.
¿Qué pasa cuando vence mi acceso?
Puedes renovar tu cuenta tú mismo desde la plataforma, sin trámites ni esperas.
¿El curso tiene validez SEP?
Sí, incluido sin costo. Al completar el curso recibes un certificado emitido por la SEP a través del Gobierno del Estado de México, con folio verificable.
¿El curso tiene tutor o clases en vivo?
No. Es un curso autodidacta: estudias por tu cuenta, a tu ritmo, sin tutor ni sesiones en vivo.
¿Cómo se evalúa?
Te evalúas con actividades automáticas, sin entregas a un tutor.
