Curso Métodos Bayesianos

Fecha de inicio: 24 de marzo de 2023
Fecha de fin: 19 de mayo de 2023
Viernes: 10:30-12:00
Lugar: ICMAT (Aula Naranja) y Online
Curso gratuito

Los métodos bayesianos (en Estadística, Machine Learning y Ciencia de Datos) permiten una modelización más adecuada de la incertidumbre, la incorporación de información a priori y una integración coherente en la toma de decisiones y constituyen una tendencia fundamental en la IA (y, en general, en el tratamiento de la incertidumbre en las Ciencias y las Humanidades).

Por esta razón, y con el objetivo de hacer de la IA un elemento transversal en la investigación del CSIC, desde la Conexión AIHUB contribuimos a la realización de este curso de Ciencia de Datos Bayesiana (Bayesian Data Science) que tiene como objetivos:

• Proporcionar una comprensión global de los métodos bayesianos en la ciencia de datos, sus fortalezas y debilidades.
• Presentar el uso de los métodos bayesianos en dominios de aplicación concretos como son el descubrimiento de fármacos, la seguridad, y la ciberseguridad, entre otros.
• Introducir el uso de las técnicas con ayuda de R y Stan.

En este curso partiremos desde los conceptos más básicos hasta los más avanzados, y conoceremos los principales modelos y métodos que forman parte de este enfoque, así como su aplicación práctica.

El curso, de un marcado componente teórico-práctico, se impartirá tanto de manera online como presencial cada viernes desde el 24 de marzo hasta el 19 de mayo.

Si estás interesado en participar, puedes pre-registrarte enviando un correo a Marta Sanz marta.sanz@icmat.es antes del 30 de enero.

Docentes

• David Arroyo (ITEFI), investigador científico
• Nuria Campillo (CIB, ICMAT), investigador científico
• Jesús Cerquides (IIIA), investigador científico
• Juan Poyatos (CNB, ICMAT) investigador científico
• David Rios Insua (ICMAT) profesor de investigación
• Juan Antonio Rodríguez (IIIA) profesor de investigación
• Roi Naveiro (CUNEF, ICMAT) assistant professor
• Simón Rodríguez (ICMAT) postdoc
• Cesar Guevara (ICMAT) postdoc

Los postgrados Chema Camacho (ICMAT, UAM), Kristina Kit (ICMAT, UC3M) y Pablo Varas (ICMAT) ayudarán en los laboratorios. El proyecto está gestionado por Marta Sanz (project manager, ICMAT)

Estructura

• 5 min Q&A (respuestas a preguntas del Fórum del Curso)
• 45 min Teoría
• 15 min Ejemplos
• 15 min Laboratorio
• 5 min preguntas finales o propuestas de investigación

Contenido

1. Introducción 1. Inferencia para proporciones y medias
2. Introducción 2. Modelos de regresión lineal y logística.
3. Introducción 3. Modelos dinámicos lineales y recapitulación.
4. Métodos computacionales: Métodos normales asintóticos.
5. Métodos computacionales: Montecarlo, Montecarlo basado en cadenas de Markov, Gibbs.
6. Métodos computacionales: Metropolis-Hastings y Montecarlo hamiltoniano.
7. Métodos computacionales: MCMC de gradiente estocástico y variantes.
8. Métodos variacionales.
9. Análisis de decisiones bayesiano
10. Recapitulación