%0 Thesis
%A Mateos Marcos, Carlos
%A Amador Pacheco, Julia
%A Susi García, María Del Rosario
%T Definición y estudios de redes bayesianas aplicadas a ciencias de la salud y de la vida
%D 2021
%U https://hdl.handle.net/20.500.14352/5150
%X Las redes bayesianas son modelos gráficos probabilísticos que expresan las relaciones de dependencia condicional en un conjunto de variables. Desde su concepción, las redes bayesianas han estado profundamente ligadas a las Ciencias de la Salud y de la Vida, especialmente en el área clínica. Existe una bibliografía extensa sobre aplicaciones de las redes bayesianas a este ámbito. Sin embargo, el análisis de algoritmos de aprendizaje de redes y parámetros, y su aptitud en función de factores como la cantidad de variables, la naturaleza de los datos o la complejidad de la estructura de dependencia no es un tema común en la literatura. En este trabajo, analizamos la aplicación de estas técnicas a problemas descritos en la bibliografía, exploramos el software bnlearn disponible en el lenguaje de programación R documentando nuestro código y evaluamos las estrategias de aprendizaje que mejor se ajustan a cada tipo de datos. Esperamos con ello aportar conocimiento sobre las redes bayesianas y proporcionar un punto de partida para su estudio a profesionales sanitarios e investigadores.
%X Bayesian networks are graphical probabilistic models which represent conditional dependence relationships among a set of variables. Since their origin, Bayesian networks have been deeply linked to Health and Life Science, especially regarding the clinical field. There is an extensive bibliography about Bayesian networks applications in this field. However, the analysis of algorithms for network learning and their fitness according to factors like the amount of variables, the nature of the data or the complexity of the dependence structure is not a common subject in literature. In this project, we analyze the application of such techniques to problems characterized in the bibliography, we explore the software bnlearn available in the programming language R documenting our code and we evaluate the learning strategies which best fit each kind of data. With this project, we hope to contribute to the knowledge about Bayesian networks and provide a starting point for their study to health professionals and researchers.
%~