Machine learning y causalidad

Descripción del Articulo

La inteligencia artificial, particularmente el machine learning, está mostrando grandes avances en muchos campos de la ciencia. Sin embargo, los patrones que estas técnicas identifican para hacer sus predicciones no consideran las relaciones causa y efecto entre las variables consideradas, lo cual p...

Descripción completa

Detalles Bibliográficos
Autor: Takahashi, Ken
Formato: preprint
Fecha de Publicación:2023
Institución:Instituto Geofísico del Perú
Repositorio:IGP-Institucional
Lenguaje:español
OAI Identifier:oai:repositorio.igp.gob.pe:20.500.12816/5567
Enlace del recurso:http://hdl.handle.net/20.500.12816/5567
Nivel de acceso:acceso abierto
Materia:Machine learning
Causalidad
Inteligencia Artificial
https://purl.org/pe-repo/ocde/ford#1.05.09
id IGPR_35fb27958a86cb61c31b82c41ecee1a4
oai_identifier_str oai:repositorio.igp.gob.pe:20.500.12816/5567
network_acronym_str IGPR
network_name_str IGP-Institucional
repository_id_str 4701
dc.title.none.fl_str_mv Machine learning y causalidad
title Machine learning y causalidad
spellingShingle Machine learning y causalidad
Takahashi, Ken
Machine learning
Causalidad
Inteligencia Artificial
https://purl.org/pe-repo/ocde/ford#1.05.09
title_short Machine learning y causalidad
title_full Machine learning y causalidad
title_fullStr Machine learning y causalidad
title_full_unstemmed Machine learning y causalidad
title_sort Machine learning y causalidad
author Takahashi, Ken
author_facet Takahashi, Ken
author_role author
dc.contributor.author.fl_str_mv Takahashi, Ken
dc.subject.none.fl_str_mv Machine learning
Causalidad
Inteligencia Artificial
topic Machine learning
Causalidad
Inteligencia Artificial
https://purl.org/pe-repo/ocde/ford#1.05.09
dc.subject.ocde.none.fl_str_mv https://purl.org/pe-repo/ocde/ford#1.05.09
description La inteligencia artificial, particularmente el machine learning, está mostrando grandes avances en muchos campos de la ciencia. Sin embargo, los patrones que estas técnicas identifican para hacer sus predicciones no consideran las relaciones causa y efecto entre las variables consideradas, lo cual puede resultar en modelos que no sean robustos ante cambios en la naturaleza de los datos, como podría ocurrir con El Niño ante el cambio climático. Es necesario potenciar el entendimiento humano experto en los dominios del conocimiento, como la variabilidad y cambio climático, para que sea la guía para la evaluación y mejora de los modelos de machine learning.
publishDate 2023
dc.date.accessioned.none.fl_str_mv 2024-06-19T17:13:34Z
dc.date.available.none.fl_str_mv 2024-06-19T17:13:34Z
dc.date.issued.fl_str_mv 2023-11
dc.type.none.fl_str_mv info:eu-repo/semantics/preprint
format preprint
dc.identifier.citation.none.fl_str_mv Takahashi, K. (2023). Machine learning y causalidad==$Boletín científico El Niño,$==Instituto Geofísico del Perú,==$10$==(11), 4-9.
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/20.500.12816/5567
dc.identifier.journal.none.fl_str_mv Boletín científico El Niño
identifier_str_mv Takahashi, K. (2023). Machine learning y causalidad==$Boletín científico El Niño,$==Instituto Geofísico del Perú,==$10$==(11), 4-9.
Boletín científico El Niño
url http://hdl.handle.net/20.500.12816/5567
dc.language.iso.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.none.fl_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Instituto Geofísico del Perú
publisher.none.fl_str_mv Instituto Geofísico del Perú
dc.source.none.fl_str_mv reponame:IGP-Institucional
instname:Instituto Geofísico del Perú
instacron:IGP
instname_str Instituto Geofísico del Perú
instacron_str IGP
institution IGP
reponame_str IGP-Institucional
collection IGP-Institucional
bitstream.url.fl_str_mv https://repositorio.igp.gob.pe/bitstreams/e7cc51a6-5b29-493f-b377-6e5860689fb3/download
https://repositorio.igp.gob.pe/bitstreams/4806967c-8c55-49d0-918e-7d0c279dc2e9/download
https://repositorio.igp.gob.pe/bitstreams/a49f95bf-dfa3-4325-a621-f63b3b305479/download
https://repositorio.igp.gob.pe/bitstreams/5c03c86f-28c1-4534-8e21-21950fe600c7/download
bitstream.checksum.fl_str_mv f94561b78e05d84b3239ab5dc9031a93
bb9bdc0b3349e4284e09149f943790b4
26e014a26505d32cabdffd4499d95ab1
136f9f380d246adcb3aa2077f0edbf27
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Geofísico Nacional
repository.mail.fl_str_mv biblio@igp.gob.pe
_version_ 1842618497386938368
spelling Takahashi, Ken2024-06-19T17:13:34Z2024-06-19T17:13:34Z2023-11Takahashi, K. (2023). Machine learning y causalidad==$Boletín científico El Niño,$==Instituto Geofísico del Perú,==$10$==(11), 4-9.http://hdl.handle.net/20.500.12816/5567Boletín científico El NiñoLa inteligencia artificial, particularmente el machine learning, está mostrando grandes avances en muchos campos de la ciencia. Sin embargo, los patrones que estas técnicas identifican para hacer sus predicciones no consideran las relaciones causa y efecto entre las variables consideradas, lo cual puede resultar en modelos que no sean robustos ante cambios en la naturaleza de los datos, como podría ocurrir con El Niño ante el cambio climático. Es necesario potenciar el entendimiento humano experto en los dominios del conocimiento, como la variabilidad y cambio climático, para que sea la guía para la evaluación y mejora de los modelos de machine learning.application/pdfspaInstituto Geofísico del Perúinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-nd/4.0/Machine learningCausalidadInteligencia Artificialhttps://purl.org/pe-repo/ocde/ford#1.05.09Machine learning y causalidadinfo:eu-repo/semantics/preprintreponame:IGP-Institucionalinstname:Instituto Geofísico del Perúinstacron:IGPORIGINALTakahashi_2023_Boletin_Cientifico_El_Niño_Vol.10_No.11.pdfTakahashi_2023_Boletin_Cientifico_El_Niño_Vol.10_No.11.pdfapplication/pdf1080154https://repositorio.igp.gob.pe/bitstreams/e7cc51a6-5b29-493f-b377-6e5860689fb3/downloadf94561b78e05d84b3239ab5dc9031a93MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.igp.gob.pe/bitstreams/4806967c-8c55-49d0-918e-7d0c279dc2e9/downloadbb9bdc0b3349e4284e09149f943790b4MD52TEXTTakahashi_2023_Boletin_Cientifico_El_Niño_Vol.10_No.11.pdf.txtTakahashi_2023_Boletin_Cientifico_El_Niño_Vol.10_No.11.pdf.txtExtracted texttext/plain22192https://repositorio.igp.gob.pe/bitstreams/a49f95bf-dfa3-4325-a621-f63b3b305479/download26e014a26505d32cabdffd4499d95ab1MD53THUMBNAILTakahashi_2023_Boletin_Cientifico_El_Niño_Vol.10_No.11.pdf.jpgTakahashi_2023_Boletin_Cientifico_El_Niño_Vol.10_No.11.pdf.jpgGenerated Thumbnailimage/jpeg46986https://repositorio.igp.gob.pe/bitstreams/5c03c86f-28c1-4534-8e21-21950fe600c7/download136f9f380d246adcb3aa2077f0edbf27MD5420.500.12816/5567oai:repositorio.igp.gob.pe:20.500.12816/55672024-06-19 12:26:01.374https://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessopen.accesshttps://repositorio.igp.gob.peRepositorio Geofísico Nacionalbiblio@igp.gob.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
score 13.9062805
Machine learning y causalidad
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).

Ejemplares Similares