· Conocer las semejanzas y diferencias entre los diferentes tipos de modelos gráficos probabilistas (redes bayesianas, diagramas de influencia, etc.) y en qué tipo de problemas debe utilizarse cada uno de ellos.
· Determinar las relaciones de dependencia e independencia de un grafo dirigido o no-dirigido, es decir, distinguir cuándo dos subconjuntos de nodos de un grafo están conectados o desconectados dado un tercer subconjunto de nodos.
· Conocer los principales algoritmos exactos y estocásticos para redes bayesianas y ser capaz de implementarlos en algún lenguaje de programación. Analizar la complejidad de cada uno de esos algoritmos.
· Construir redes bayesianas causales a partir de conocimiento experto.
· Construir redes bayesianas a partir de bases de datos.
· Determinar los valores y las utilidades involucrados en un problema de decisión.
· Transformar un diagrama de influencia en un árbol de decisión y evaluarlo.
· Conocer algoritmos eficientes de evaluación de diagramas de influencia, tales como la eliminación de variables y la inversión de arcos.
· Construir diagramas de influencia y árboles de decisión.
· Aplicar las técnicas y algoritmos anteriores mediante herramientas informáticas, como OpenMarkov y otras.