Duración: 10 horas, 2 clases.
Diplomado en Inteligencia Artificial Aplicada. DGTIC-UNAM.
Instructor: Isidro Gómez Vargas
Requisitos:
A) Escritorio remoto con los requerimientos instalados (o instalarlos en otra computadora).
B) Método sugerido: Una computadora e Internet. Una cuenta de Google.
Para evitar instalación de librerías se recomienda Google Colab, el cual es un servicio gratuito de Google para ejecutar notebooks en la nube, permitiendo utilizar Python 2 o Python 3 con CPU, GPU y TPU. Solo es necesario tener una cuenta de Google. Para este curso se requiere entorno de ejecución Python 3.
Desde Google Colab puedes elegir una de las siguientes opciones:
-
Buscar este repositorio, abrirlo y hacer una copia en tu Google Drive para poder guardar tus cambios.
-
Clonar o descargar el repositorio en tu computadora y abrir las notebooks desde Google Colab.
-
Hacer un fork de este repositorio en tu propia cuenta de GitHub y buscar tu nuevo repositorio como en la opción 1.
- Conceptos básicos de probabilidad
-
1.1. Probabilidad condicional
-
1.2. Probabilidad total
-
1.3. Regla de Bayes
- Redes bayesianas
-
2.1. Introducción
-
2.2. Clasificadores bayesianos
-
2.3. Aprendizaje de redes Bayesianas
- 2.4. Redes Bayesianas dinámicas
- Modelos Ocultos de Markov
-
3.1. Arquitectura de los Modelos Ocultos de Markov
-
3.2. Problemas básicos
-
3.3. Algoritmos
Referencias:
- Rusell, B., & Norvig, U. (2004). Inteligencia Artificial. Un enfoque práctico.
- Jensen, F. V., & Nielsen, T. D. (2007). Bayesian networks and decision graphs (Vol. 2). New York: Springer.