Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CC58 Enunciado TB1 202101
CC58 Enunciado TB1 202101
UPC
2021-1
MSc. Pedro Shiguihara
Instrucciones:
1. El proyecto debe codificarse en Python y debe ser desarrollado en grupo hasta de 3
integrantes como máximo.
4. La fecha de entrega debe ser como máximo antes del inicio de la sesión a las 7pm
del jueves 22 de Abril del 2021 hora UTC/GMT -5 horas. En caso contrario,
el trabajo no será evaluado.
1. Respecto al Notebook
Las siguientes secciones deben estar presentes en el Notebook:
General: Lista de integrantes con nombres y código UPC de estudiante.
Dado un dataset, se debe estimar los conteos y distribuciones de probabilidades
de todas las posibles combinaciones entre variables.
El programa debe ser capaz de aceptar cualquier consulta sobre la función
conteo.
Mostrar tablas de conteo: las tablas de conteo deben mostrarse en formato tabla
del notebook
por cada combinación de variables, se produce una nueva tabla
las tablas de conteo deben aparecer de manera interactiva con ipywidgets usan-
do tabs
Mostrar factores: los factores deben mostrarse en formato tabla del notebook
por cada combinación de variables, se produce un nuevo factor
los factores deben aparecer de manera interactiva con ipywidgets usando tabs
los tipos de factores son:
TB1: Fundamentos de Modelos de Grafos Probabilísticos MSc. Pedro Shiguihara
Integrantes: mencionan los nombres completos y códigos UPC de los alumnos pertene-
cientes al grupo.
2
TB1: Fundamentos de Modelos de Grafos Probabilísticos MSc. Pedro Shiguihara
5. Rúbrica
Ver rúbrica en:
https://upcedupe-my.sharepoint.com/:x:/g/personal/pcsipshi_upc_edu_pe/Eb5SYjzd8AtKncu7
_sX--ySg?e=iYBd6H
Figura 1: Usar este código QR para ver la rúbrica del Trabajo 1 (TB1) del curso CC58
Tópicos en Ciencias de la Computación 2021-1.
Referencias
Koller, D., y Friedman, N. (2009). Probabilistic graphical models: Principles and techniques
- adaptive computation and machine learning. The MIT Press.
Murphy, K. P. (2012). Machine learning: A probabilistic perspective. The MIT Press.
Sucar, L. E. (2015). Probabilistic graphical models: Principles and applications. Springer
Publishing Company, Incorporated.