Courses

Courses, Lectures & Working groups

Curso: Ciencia de Datos Bayesiana (Bayesian Data Science)

Speaker:  Several speakers ()
Date:  Friday, 12 May 2023 - 10:30-12:00
Place:  Aula Naranja, ICMAT. PLAZAS AGOTADAS

Abstract:

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.

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