Objetivos

Visualización de grandes conjuntos de datos con R. GViz, Maps y Tabplot.

Redes Bayesianas. Las redes bayesianas constituyen, según muchos investigadores, una de las contribuciones más importantes de la Inteligencia Artificial moderna. Se trata de modelos probabilísticos que representan las relaciones de dependencia condicional entre un conjunto de variables. Estos modelos combinan una estructura gráfica, representada mediante un grafo acíclico dirigido, con un conjunto de probabilidades condicionadas que determinan su comportamiento.

Las redes bayesianas pueden aprenderse a partir de datos mediante técnicas de Aprendizaje Automático y han demostrado ser herramientas muy útiles en numerosos ámbitos científicos y tecnológicos. Entre sus aplicaciones destaca la clasificación, aunque también se utilizan para la predicción, el diagnóstico y la toma de decisiones bajo incertidumbre. En esta parte se introducirán los conceptos fundamentales de las redes bayesianas, así como los principales métodos de inferencia probabilística y de aprendizaje de parámetros y estructura. Finalmente, se estudiará su utilización como clasificadores probabilísticos en diferentes problemas reales. El énfasis estará tanto en la comprensión de los fundamentos teóricos como en su aplicación práctica correcta mediante el uso de datos reales y de paquetes especializados de R.

Simulación de datos, Boostrap y tests permutacionales. El objetivo principal es capacitar a los estudiantes en el uso del principio de "plug-in" y métodos de remuestreo para realizar inferencias estadísticas precisas cuando las distribuciones son desconocidas. Se busca que el alumnado aprenda a estimar sesgos, errores estándar y construir intervalos de confianza que superen las limitaciones de la normalidad asintótica, especialmente con datos censurados, dependientes, o no normales. Asimismo, el curso profundiza en el diseño de pruebas de permutación para obtener niveles de significación exactos mediante el condicionamiento a los datos observados. Finalmente, se introducen fundamentos teóricos, esenciales para evaluar la precisión de segundo orden y la consistencia de estos métodos en estadísticos complejos.