Los modelos gráficos probabilísticos (PGM) son un marco rico para codificar distribuciones de probabilidad sobre dominios complejos: distribuciones conjuntas (multivariadas) sobre un gran número de variables aleatorias que interactúan entre sí.

Estas representaciones se encuentran en la intersección de la estadística y la informática, y se basan en conceptos de la teoría de la probabilidad, algoritmos gráficos, aprendizaje automático y más.

Son la base de los métodos más avanzados en una amplia variedad de aplicaciones, como el diagnóstico médico, la comprensión de imágenes, el reconocimiento de voz, el procesamiento del lenguaje natural y muchas, muchas más.

También son una herramienta fundamental en la formulación de muchos problemas de aprendizaje automático.

Este curso es el primero de una secuencia de tres.

Describe las dos representaciones básicas de PGM: redes bayesianas, que se basan en un gráfico dirigido; y redes de Markov, que utilizan un gráfico no dirigido.

El curso discute tanto las propiedades teóricas de estas representaciones como su uso en la práctica.

La pista de honores (altamente recomendada) contiene varias tareas prácticas sobre cómo representar algunos problemas del mundo real.

El curso también presenta algunas extensiones importantes más allá de la representación PGM básica, que permiten codificar modelos más complejos de forma compacta.