• Inicio


    Inferencia Bayesiana con Aplicaciones en Ciencias Cognitivas
    Relevancia y Audiencia
    Las t ́ecnicas de an ́
    alisis de datos basadas en inferencia bayesiana o estad ́ıstica bayesiana han cobrado
    recientemente una enorme importancia. Dos desarrollos han contribuido en esta direcci ́on: la creciente
    velocidad de las computadoras y la aparici ́on de algoritmos eficientes de inferencia. Hoy en d ́ıa estas
    t ́ecnicas son las preferidas en un enorme rango de aplicaciones, desde la b ́
    usqueda de restos de aviones
    perdidos hasta la producci ́
    on de diagn ́
    osticos m ́edicos. A pesar de la relevancia actual, no hay en
    nuestra facultad un curso que cubra los contenidos b ́asicos.
    En esta materia, proponemos un abordaje introductorio al an ́alisis de datos bayesiano apuntado
    a alumnos de todas las carreras de la facultad (con particular ́enfasis hacia aquellos que tengan una
    inclinaci ́on m ́as cuantitativa), as ́ı como a estudiantes de doctorado que tengan un inter ́es por conocer
    las t ́ecnicas b ́asicas de esta disciplina. El foco ser ́a sobre aplicaciones, a fin de transmitir contenidos
    que puedan luego ser aplicados en distintos dominios. Si bien las t ́ecnicas son de aplicaci ́on general,
    en el curso nos concentraremos en aplicaciones en ciencias cognitivas. Los experimentos acotados de
    este campo lo hacen ideal para el tratamiento del tema con un foco espec ́ıfico.
    En la primer parte del curso, se repasar ́an las nociones b ́asicas de probabilidad que luego ser ́
    an
    requeridas y se desarrollar ́
    an las ideas fundamentales que subyacen a la t ́ecnica. Se estudiar ́an dis-
    tintos aspectos del modelado a trav ́es de numerosos ejemplos de creciente complejidad. Asimismo, se
    analizar ́an los algoritmos de aproximaci ́
    on que la inferencia bayesiana necesariamente requiere, dado
    el crecimiento exponencial que presenta el c ́omputo de distribuciones de probabilidad con el n ́
    umero y
    dimensionalidad de las variables del problema.
    En la segunda parte del curso, m ́
    as corta que la primera, presentaremos ideas recientes del modelado
    cognitivo. Adem ́
    as de resultar de enorme utilidad y eficacia para analizar datos, la inferencia bayesiana
    ha resultado un excelente modelo de la cognici ́on humana, dando lugar al nacimiento del campo de
    las ciencias cognitivas computacionales. En este campo interdisciplinar, las ciencias de la computaci ́
    on
    dialogan con las ciencias cognitivas para profundizar el entendimiento de los procesos mentales. En
    este curso daremos los lineamientos b ́
    asicos de este campo emergente y discutiremos diversos dominios
    en donde este tipo de modelos se han aplicado con suceso.
    Programa
    Primera Parte: Introducci ́
    on a la Inferencia Bayesiana
    • Repaso de probabilidad. Ideas de estad ́ıstica cl ́asica.
    • Fundamentos: teorema de Bayes en un nuevo contexto.
    • Ejemplos sencillos: binomiales, gaussianas.
    • Modelos gr ́
    aficos, modelos jer ́
    arquicos.
    • Ejemplos m ́
    as complejos de modelado.
    • Algoritmos de muestreo. Markov Chain Monte Carlo. Algoritmo de Metropolis-Hastings.
    Segunda Parte: La Cognici ́
    on Humana como Inferencia Bayesiana
    • El programa de las ciencias cognitivas computacionales.
    1• Los niveles de an ́
    alisis de Marr.
    • Ejemplos de ́exito.
    • Nuevos desaf ́ıos: el nivel algor ́ıtmico y la “racionalidad acotada”
    Desarrollo del Curso y Evaluaci ́
    on
    La primer parte del curso tomar ́
    a la mayor parte del tiempo y se acatar ́a m ́as a la tradici ́on docente de
    la facultad. Las pr ́
    acticas har ́
    an uso intensivo de la computadora, y consistir ́an en la implementaci ́
    on
    de modelos diversos. Se mantendr ́
    a un foco en las aplicaciones, por lo que en las te ́oricas se ver ́
    an
    tambi ́en numerosos ejemplos computacionales. La evaluaci ́on de esta primera parte consistir ́a en tra-
    bajos pr ́acticos con computadora y un examen te ́orico/pr ́actico. La segunda parte contar ́a con una
    presentaci ́on introductoria y luego intercalar ́a el desarrollo te ́orico con con la presentaci ́on de art ́ıculos
    de investigaci ́on por parte de los alumnos, que formar ́a parte de la evaluaci ́on. La evaluaci ́on final
    consistir ́a en el desarrollo e implementaci ́
    on de un modelo, que ser ́a acordado con los alumnos individ-
    ualmente o en grupos.
    Correlatividades
    Se requerir ́an conocimientos b ́
    asicos de probabilidad. El requisito formal depender ́a de las distintas
    carreras, ya que cada una tiene un tratamiento distinto del tema (probabilidad para computaci ́
    on en
    computaci ́on, probabilidad para matem ́
    atica en matem ́atica, varios “repasos” a lo largo de la carrera en
    f ́ısica sin una introducci ́
    on formal, biometr ́ıa en biolog ́ıa...). Se pedir ́a tambi ́en alg ́
    un contacto previo
    con la programaci ́
    on, o una fuerte inclinaci ́on a aprender.
    Bibliograf ́ıa
    • Gelman, Carlin, Rubin & Stern; Bayesian Data Analysis.
    • MacKay; Information Theory, Inference, and Learning Algorithms.
    • Bishop, Pattern Recognition and Machine Learning.
    • Wagenmakers & Lee; A Course in Bayesian Graphical Modeling for Cognitive Science.
    • Marr; Vision.
    • Anderson; The Adaptive Character of Thought.
    • Art ́ıculos de investigaci ́
    on varios.
    2