Vélez Bedoya, Jairo Iván
Castillo Ossa, Luis Fernando (dir.) ; González Bedia, Manuel Andrés (dir.)
Universidad de Zaragoza,
2024
Resumen: La 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.
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.
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.
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.
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.
Resumen (otro idioma):
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.
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.
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.
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.
Resumen (otro idioma):
Pal. clave: inteligencia artificial
Titulación: Programa de Doctorado en Ingeniería de Sistemas e Informática
Plan(es): Plan 512
Área de conocimiento: Ingeniería y Arquitectura
Nota: Presentado: 16 10 2024
Nota: Tesis-Univ. Zaragoza, , 2024
Aportación del TFG/M a la Sostenibilidad: Desarrollar infraestructuras resilientes, promover la industrialización inclusiva y sostenible, y fomentar la innovación.
Enlace permanente:
Visitas y descargas
Registro creado el 2025-02-24, última modificación el 2025-02-24
