Modelos Gráficos Probabilísticos: Razonamiento e Inferencia

Dar sentido a la incertidumbre en sistemas complejos requiere más que estadísticas simples; requiere una forma estructurada de razonar sobre variables interconectadas. Este curso proporciona un camino claro para comprender cómo realizar inferencias —el proceso de responder consultas y hacer predicciones— dentro del marco de los Modelos Gráficos Probabilísticos (PGMs). Transformará su comprensión de los datos aprendiendo a calcular probabilidades y encontrar las explicaciones más probables en sistemas donde interactúan muchas variables. Al final de este curso, podrá seleccionar y aplicar las estrategias de inferencia adecuadas para resolver problemas del mundo real en campos que van desde el diagnóstico médico hasta la toma de decisiones automatizada. Lo que aprenderá: - Comprender los principios fundamentales de la inferencia exacta en redes bayesianas y de Markov - Aplicar algoritmos de eliminación de variables y paso de mensajes para calcular probabilidades marginales - Practicar técnicas de inferencia aproximada como Markov Chain Monte Carlo (MCMC) para datos de alta dimensionalidad - Explorar la inferencia variacional como un enfoque moderno para manejar distribuciones posteriores complejas - Analizar las compensaciones computacionales entre diferentes estrategias de inferencia - Conectar modelos gráficos con conceptos modernos de aprendizaje automático como variables latentes y modelos generativos profundos El curso comienza con definiciones fundamentales de las tareas de inferencia y la lógica matemática detrás de ellas. Luego, progresará a través de explicaciones escritas estructuradas de los algoritmos principales, pasando de los métodos de cálculo exacto a las técnicas de aproximación modernas utilizadas hoy en la industria. Este curso está diseñado para principiantes en razonamiento probabilístico que tengan una comprensión básica de la probabilidad y deseen dominar la lógica detrás de la inferencia automatizada. No se requiere experiencia previa con modelos gráficos. Comience a aprender a razonar con incertidumbre a través de modelos probabilísticos estructurados.