Aviso: para depositar documentos, por favor, inicia sesión e identifícate con tu cuenta de correo institucional de la UCM con el botón MI CUENTA UCM. No emplees la opción AUTENTICACIÓN CON CONTRASEÑA
 

Programación probabilística: lenguajes y métodos de inferencia

dc.contributor.advisorPalomino Tarjuelo, Miguel
dc.contributor.authorMaestro López, Rebeca
dc.date.accessioned2025-03-18T15:53:32Z
dc.date.available2025-03-18T15:53:32Z
dc.date.issued2025
dc.degree.titleGrado en Ingeniería Informática
dc.descriptionTrabajo de Fin de Grado en Ingeniería Informática, Facultad de Informática UCM, Departamento de Sistemas Informáticos y Computación, Curso 2024/2025.
dc.description.abstractEste trabajo ofrece una visión integral de los modelos probabilísticos y su implementación práctica en Pyro, un marco de programación probabilística basado en PyTorch. Comienza con una introducción a conceptos fundamentales como la inferencia bayesiana, inferencia variacional y métodos de Montecarlo, abordando también el método del descenso del gradiente estocástico. Luego, se presentan las herramientas clave de Pyro, incluyendo primitivas de modelaje, guías para la inferencia variacional, clases como SVI y PyroOptim, y estrategias de optimización. Finalmente, se exploran aplicaciones en dos áreas fundamentales: los modelos generativos, con un enfoque en los autocodificadores variacionales, y las redes neuronales bayesianas. En ambos casos, se discuten diferencias clave con los métodos clásicos, su implementación en Pyro y los resultados obtenidos a través de experimentos prácticos. Este trabajo enfatiza la flexibilidad y precisión que Pyro aporta a la modelización probabilística en aprendizaje automático.
dc.description.abstractThis document provides a comprehensive overview of probabilistic models and their practical implementation in Pyro, a probabilistic programming framework built on PyTorch. It begins by introducing fundamental concepts such as Bayesian inference, variational inference, Monte Carlo methods and stochastic gradient descent. Next, it explores Pyro’s key tools, including modeling primitives, guides for variational inference, classes like SVI and PyroOptim, and optimization strategies. Finally, applications in two fundamental areas are explored: generative models, focusing on variational autoencoders, and Bayesian neural networks. For both cases, key differences from classical methods, their implementation in Pyro, and experimental results are discussed. This work highlights the flexibility and precision Pyro brings to probabilistic modeling in machine learning.
dc.description.departmentDepto. de Sistemas Informáticos y Computación
dc.description.facultyFac. de Informática
dc.description.refereedTRUE
dc.description.statusunpub
dc.identifier.urihttps://hdl.handle.net/20.500.14352/118860
dc.language.isospa
dc.page.total35
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Internationalen
dc.rights.accessRightsopen access
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject.cdu004(043.3)
dc.subject.keywordModelos probabilísticos
dc.subject.keywordInferencia bayesiana
dc.subject.keywordInferencia variacional
dc.subject.keywordMontecarlo
dc.subject.keywordPyro
dc.subject.keywordRedes neuronales bayesianas
dc.subject.keywordAutocodificadores variacionales
dc.subject.keywordGradiente estocástico
dc.subject.keywordModelos generativos
dc.subject.keywordOptimización probabilística
dc.subject.keywordProbabilistic models
dc.subject.keywordBayesian inference
dc.subject.keywordVariational inference
dc.subject.keywordBayesian neural networks
dc.subject.keywordVariational autoencoders
dc.subject.keywordStochastic gradient
dc.subject.keywordGenerative models
dc.subject.keywordProbabilistic optimization
dc.subject.ucmInformática (Informática)
dc.subject.unesco33 Ciencias Tecnológicas
dc.titleProgramación probabilística: lenguajes y métodos de inferencia
dc.titleProbabilistic programming: languages and inference methods
dc.typebachelor thesis
dc.type.hasVersionAM
dspace.entity.typePublication
relation.isAdvisorOfPublication52909b00-b705-4307-84db-d3211eedef69
relation.isAdvisorOfPublication.latestForDiscovery52909b00-b705-4307-84db-d3211eedef69

Download

Original bundle

Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
Programación_probabilística.pdf
Size:
1.12 MB
Format:
Adobe Portable Document Format