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 segundo de una secuencia de tres. Después del primer curso, que se centró en la representación, este curso aborda la cuestión de la inferencia probabilística: cómo se puede usar un PGM para responder preguntas. Si bien un PGM generalmente describe una distribución dimensional muy alta, su estructura está diseñada para permitir que las preguntas se respondan de manera eficiente. El curso presenta algoritmos tanto exactos como aproximados para diferentes tipos de tareas de inferencia y analiza dónde se podría aplicar mejor cada uno. La pista de honores (altamente recomendada) contiene dos asignaciones prácticas de programación, en las que las rutinas clave de los algoritmos exactos y aproximados más utilizados se implementan y aplican a un problema del mundo real. y analiza dónde se podría aplicar mejor cada uno. La pista de honores (altamente recomendada) contiene dos asignaciones prácticas de programación, en las que las rutinas clave de los algoritmos exactos y aproximados más utilizados se implementan y aplican a un problema del mundo real. y analiza dónde se podría aplicar mejor cada uno. La pista de honores (altamente recomendada) contiene dos asignaciones prácticas de programación, en las que las rutinas clave de los algoritmos exactos y aproximados más utilizados se implementan y aplican a un problema del mundo real.