Machine learning y causalidad

Simple item page
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

Files

Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
Takahashi_2023_Boletin_Cientifico_El_Niño_Vol.10_No.11.pdf
Size:
1.03 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

Divulgación Científica