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
Descripción
Sumario: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.
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).