Machine learning y causalidad

dc.contributor.authorTakahashi, Ken
dc.date.accessioned2024-06-19T17:13:34Z
dc.date.available2024-06-19T17:13:34Z
dc.date.issued2023-11
dc.description.abstractLa 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.
dc.formatapplication/pdf
dc.identifier.citationTakahashi, K. (2023). Machine learning y causalidad==$Boletín científico El Niño,$==Instituto Geofísico del Perú,==$10$==(11), 4-9.
dc.identifier.journalBoletín científico El Niño
dc.identifier.urihttp://hdl.handle.net/20.500.12816/5567
dc.language.isospa
dc.publisherInstituto Geofísico del Perú
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectMachine learning
dc.subjectCausalidad
dc.subjectInteligencia Artificial
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#1.05.09
dc.titleMachine learning y causalidad
dc.typeinfo:eu-repo/semantics/preprint

Archivos

Bloque original

Mostrando 1 - 1 de 1
Cargando...
Miniatura
Nombre:
Takahashi_2023_Boletin_Cientifico_El_Niño_Vol.10_No.11.pdf
Tamaño:
1.03 MB
Formato:
Adobe Portable Document Format

Bloque de licencias

Mostrando 1 - 1 de 1
Cargando...
Miniatura
Nombre:
license.txt
Tamaño:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descripción: