Temas y subtemas del curso:1.Modelación Bayesiana
2.Teoría de redes neuronales
3.Sistemas Híbridos: HMM y Redes Neuronales
4.Minería de datos
5.Principios de árboles filogenéticos
6.Gramáticas y lingüísticas
Objetivos específicos de aprendizaje:1.1 Comprender el concepto de Red Bayesiana.
1.2. Resolver problemas clásicos de redes Bayesianas a través del método directo.
1.3. Analizar el problema de inferencia Bayesiana.
1.4 Analizar el problema de inducción Bayesiana.
1.5 Revisar paquetes actuales para inferencia y construcción de modelos bayesianos.
1.6 Resolver problemas complejos de Redes Bayesianas.

2.1 Analizar las propiedades universales de aproximación.
2.2 Revisar la Morfología de la Neurona
2.3 Revisar la Fisiología de la Neurona.
2.4 Revisar los métodos clásicos del perceptrón.
2.5 Analizar las redes neuronales para clasificar patrones
2.5.1 Analizar la teoría para el asociador Lineal
2.5.2 Analizar lla teoría de la regla de Widrow.
2.5.3 Entender las redes de retropropagación.
2.5.4 Resolver problemas de redes neuronales de retropropagación.

2.6 Analizar Redes neuronales autoorganizadas.
2.6.1 Analizar los mapas de Kohonen.
2.6.2 Analizar las redes LVQ
2.6.3 Entender las redes de contrapropagación
2.6.4 Resolver problemas de redes neuronales de contrapropagación
2.7 Estudiar aplicaciones enfocadas a la bioinformática.

3.1 Construir modelos híbridos basados en HMM.
3.2 Revisar modelos que combinan HMM y Redes Neuronales.
3.2.1 Analizar el caso de modelo simple

4.1 Definir la Minería de Datos
4.2 Analizar los conceptos de entropía en el contexto de análisis de información.
4.3 Definir la Minería de Datos para el caso Discreto.
4.3.1 Revisar el método de Entropía
4.3.2 Revisar el método Giny
4.4 Definir la minería de Datos para el caso Continuo.
4.4.1Revisar los métodos basados en regresión lineal múltiple.
5.1 Revisar los modelos probabilísticos de evolución y su relación con los árboles
filogenéticos..
5.2 Entender los clasificadores de evolución.
5.3 Construir Árboles óptimos para el aprendizaje.
5.4 Definir Parsimonia.
5.5 Revisar las Extensiones de los árboles filogenéticos.

6.1 Definir Gramática en el contexto computacional.
6.2 Definir árboles de derivación y ambigüedad.
6.3 Analizar algoritmos de simplificación.
6.3.1 Analizar algoritmos de eliminación de símbolos y producciones inútiles.
6.3.2 Analizar algoritmos de producciones nulas
6.3.3 Analizar algoritmos de producción unitarias.
6.4 Definir formas normales
6.4.1 Analizar la forma normal de Chomsky
6.4.2 Analizar la forma Normal de Greibach.

Metodología de enseñanza:ñanza
Tiempo estimado de cada tema:Tema 1- 12 hrs.
Tema 2- 12 hrs.
Tema 3- 4 hrs
Tema 4- 10 hrs
Tema 5- 5 hrs
Tema 6- 5 hrs
Políticas de evaluacion sugeridas:De acuerdo a la estrategia de POL/PBL se evaluará de acuerdo a los avances, entrevistas, portafolio y resultados de acuerdo a las rúbricas presentadas en cada manual de proyecto.

1 Evaluación parcial 25%
2 Evaluación parcial 25%
3 Evaluación parcial 25%
Evaluación Final 25%
Libro de texto1:Baldi, Pierre & Soren Brunak
Bioinformatics, The Machine Learning Approach
2nd_Edition,MIT Press
2001
Libro de texto2:Libro de Texto 2