Computación Bayesiana:
de datos a decisiones
Dr. Luis Enrique Sucar
INAOE
Abstract
La probabilidad bayesiana provee un marco conceptual para combinar datos y conocimiento bajo incertidumbre, y la teorema de decisiones nos dice como, basado en la información disponible, tomar las mejores acciones. Sin embargo, ambos paradigmas son intratables desde el punto de vista computacional, si los utilizamos en forma ingenua. Los modelos gráficos probabilistas, que surgen del matrimonio de probabilidad y teorema de grafos, proveen los mecanismos computacionales que permiten modelar y resolver problemas complejos en forma eficiente bajo un enfoque bayesiano. Después de un breve repaso del enfoque bayesiano y teorema de decisiones, presentar una introducción general a los modelos gráficos probabilistas, como algunas de las principales variantes: redes bayesianas, campos de Markov y procesos de decisión de Markov. Para finalizar, analizaremos aplicaciones de este paradigma a diversos problemas reales: recuperación de información multimedia, predicción de mutaciones del VIH y adaptación al paciente en sistemas de rehabilitación.
Short biography of the Speaker
Luis Enrique Sucar es Doctor en Computación por el Imperial College, Londres, Inglaterra; Maestro en Ciencias en Ingeniera Eléctrica por la Universidad de Stanford, CA, EUA; e Ingeniero en Eléctrica y Comunicaciones por el ITESM, Monterrey. Tiene experiencia como investigador y profesor en el Instituto de Investigaciones Eléctricas, el Tecnológico de Monterrey, y el INAOE. Ha realizado estancias de investigación en el Imperial College, Londres, en la Universidad de British Columbia, Canadá, y en el INRIA, Francia.
El Dr. Sucar es miembro del Sistema Nacional de Investigadores, Nivel III, y de la Academia Mexicana de Ciencias. Ha sido presidente de la Sociedad Mexicana de Inteligencia Artificial, miembro del Comité Asesor del IJCAI, es Senior Member de la IEEE y es Editor Asociado de las revistas Computación y Sistemas. Tiene más de 150 publicaciones en revistas y conferencias, y ha dirigido 16 tesis doctorales. Su investigación se centra en inteligencia artificial, principalmente en el desarrollo de modelos gráficos probabilistas y su aplicación en visión computacional, robótica, sistemas tutores inteligentes y en bio-medicina. Ha sido pionero en el desarrollo de las redes bayesianas en México y el mundo, destacando sus aportaciones en el modelado de visión de alto nivel basado con redes bayesianas, y en el desarrollo de nuevos modelos y técnicas para representaciones temporales, validación de información, análisis de confiabilidad, reconocimiento de ademanes y modelado del estudiante en sistemas tutores. Recientemente ha desarrollado un sistema de apoyo a la rehabilitación para personas que han sufrido embolias cerebrales.
