000151101 001__ 151101
000151101 005__ 20250224130151.0
000151101 037__ $$aTESIS-2025-036
000151101 041__ $$aspa
000151101 1001_ $$aVélez Bedoya, Jairo Iván
000151101 24500 $$aIntegración de la Inferencia Causal en el Aprendizaje Automático: Experimentos y Aplicaciones
000151101 260__ $$aZaragoza$$bUniversidad de Zaragoza, Prensas de la Universidad$$c2024
000151101 300__ $$a147
000151101 4900_ $$aTesis de la Universidad de Zaragoza$$v2025-35$$x2254-7606
000151101 500__ $$aPresentado: 16 10 2024
000151101 502__ $$aTesis-Univ. Zaragoza, , 2024$$bZaragoza, Universidad de Zaragoza$$c2024
000151101 506__ $$aby-nc$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc/3.0/es
000151101 520__ $$aLa tesis doctoral se enfoca en la integración de la inferencia causal dentro del aprendizaje de máquina para mejorar la explicabilidad y comprensión de fenómenos complejos en diversas aplicaciones. Para alcanzar este objetivo, se ha desarrollado un marco metodológico que abarca desde una revisión exhaustiva de la literatura hasta la presentación de los resultados y conclusiones. Este marco se basa en una planificación detallada, la ejecución de experimentos y un análisis riguroso de los resultados.<br />La metodología empleada se estructura en torno a la definición de un marco conceptual claro, la formulación de objetivos específicos, el diseño experimental, la configuración de escenarios de prueba, la generación de datos y el análisis de resultados. Se destaca la importancia de cada paso para garantizar la calidad y fiabilidad de los resultados obtenidos.<br />Se destacan cinco experimentos clave que exploran diferentes aspectos de la integración de la inferencia causal en el aprendizaje de máquina. Estos experimentos abordan la estimación de iluminancia en escenarios 3D, la determinación de causas de fenómenos de sombra en imágenes, el modelado cognitivo de agentes en entornos virtuales y la mejora del aprendizaje por refuerzo mediante inferencia causal.<br />Los resultados obtenidos en cada experimento son analizados detalladamente, considerando tanto sus implicaciones teóricas como prácticas. Se resalta el valor de la inferencia causal en la comprensión de fenómenos complejos y en la mejora del rendimiento de algoritmos de aprendizaje de máquina en diversas aplicaciones.<br />Finalmente, se presentan conclusiones significativas que subrayan el potencial y relevancia de la integración de la inferencia causal en procesos de aprendizaje de máquina. Se identifican áreas prometedoras para futuras investigaciones y se destaca la contribución de la tesis al avance teórico y práctico en este campo. En conjunto, la tesis ofrece una visión integral de cómo la inferencia causal puede potenciar el aprendizaje de máquina y mejorar la explicabilidad en una variedad de aplicaciones.<br />
000151101 520__ $$a<br />
000151101 521__ $$97100$$aPrograma de Doctorado en Ingeniería de Sistemas e Informática
000151101 540__ $$9info:eu-repo/semantics/openAccess
000151101 6531_ $$ainteligencia artificial
000151101 691__ $$a9
000151101 692__ $$aDesarrollar infraestructuras resilientes, promover la industrialización inclusiva y sostenible, y fomentar la innovación.
000151101 700__ $$aCastillo Ossa, Luis Fernando $$edir.
000151101 700__ $$aGonzález Bedia, Manuel Andrés $$edir.
000151101 7102_ $$aUniversidad de Zaragoza$$b
000151101 830__ $$9512
000151101 8560_ $$fcdeurop@unizar.es
000151101 8564_ $$uhttps://zaguan.unizar.es/record/151101/files/TESIS-2025-036.pdf$$zTexto completo (spa)
000151101 909CO $$ooai:zaguan.unizar.es:151101$$pdriver
000151101 909co $$ptesis
000151101 9102_ $$aIngeniería y Arquitectura$$b
000151101 980__ $$aTESIS