Relación entre economía y algunos paradigmas de inteligencia artificial

Alfredo Olguín Gallardo

Autores/as

Alfredo Olguín Gallardo Centro de Ciencias de la Complejidad

Palabras clave:

Economía Computacional, Complejidad, Inteligencia Artificial

Resumen

En este documento se exploran algunas relaciones entre la economía y algunos de los paradigmas actuales que definen las metodologías y modelos de inteligencia artificial. La aproximación que se destaca es el paradigma de principios matemáticos de aprendizaje automatizado o machine learning, así como la contribución de la economía computacional y economía de la complejidad sobre modelos basados en agentes en el paradigma de principios biológicos. En esta investigación se muestran algunos esquemas de información que distinguen un modelo estándar de aprendizaje automatizado y la econometría convencional, más adelante se desarrollan las visiones. Finalmente, se explica la importancia de la precisión en los modelos clasificatorios de machine learning en la industria de tecnología.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Alfredo Olguín Gallardo, Centro de Ciencias de la Complejidad

Alfredo Olguín Gallardo. Alfredo, Economista por la Facultad de Economía UNAM. Actualmente ejerciendo como Científico de Datos (Data Scientist) en Uber Technologies Inc. Estancia de investigación de posgrado en el Centro de Ciencias de la Complejidad (C3) en Minería de Datos. Escritos y publicaciones académicas disponibles en https://www.researchgate.net/profile/Alfredo_ Olguin. Correo electrónico: alfredo.olguin.g@gmail.com

Citas

Bediako-Asare, H., Buffett, S. and Fleming, M. W. (2016) “Advances in Artificial Intelligence”, Canadian Conference on AI. doi: 10.1007/978-3-642-21043-3.

Breiman, L. (2001) “Statistical Modeling: The Two Cultures”, Statistical Science, 16(3), pp. 199–215. doi: 10.2307/2676681.

Brewer, P. J., Huang, M., Nelson, B. and Plott, C. R. (2002) “On the Behavioral Foundations of the Law of Supply and Demand: Human Convergence and Robot Randomness”, Experimental Economics, 5, pp. 179–208. doi: 10.1023/A:1020871917917.

Chia-Hsuan, Y. 2007, “The role of intelligence in time series properties”, Computational Economics, 2, p. 95.

Cockshott, W, Cottrell, A, Michaelson, G, Wright, I, & Yakovenko, V 2009, “Classical Econophysics”, n.p.: London: Routledge, 2009.

Diestel, R, & Diestel, R 2010, “Graph Theory. Reinhard Diestel”, n.p.: Heidelberg: Springer.

Goldman, A 1980, “The Internalist Conception of Justification”, Midwest Studies In Philosophy, 5, 1, p. 27, Complementary Index, EBSCOhost, viewed 9 May 2017.

Kirman, A. P. (1992) “Whom or What Does the Representative Individual Represent?”, Journal of Economic Perspectives, 6(2), pp. 117–136.

Lucas, R. E. (1988) “On the Mechanics of Economic Development”, Journal of Monetary Economics, 22(August 1987), pp. 3–42. doi: 10.1016/0304- 3932(88)90168-7.

Gallegati, M. and Kirman, A. (2012) “Reconstructing economics: Agent based models and complexity”, Complexity Economics, 1, pp. 5–31. doi: 10.7564/12-COEC2.

“The logic theory machine--A complex information processing system” (1956), IRE Transactions On Information Theory, Information Theory, IRE Transactions On, IRE Trans. Inf. Theory, 3, p. 61.

Olguin, A. (2016) “Economía computacional, complejidad y ciencia de datos. Conociendo el éxito empresarial en el desafío Yelp para 61 mil compañías”, Oikonómika, 1(2), pp. 4–16.

Olguin, A. (2017) “Aproximaciones de inteligencia artificial a mercados de Fintech” presentado en Noveno coloquio de finanzas aplicadas. Facultad de Economía UNAM, 4 Mayo 2017.

O’Regan, G. (2016) “Introduction to the History of Computing”. doi: 10.1007/978-3- 319-33138-6.

Parkes, D. C., and M. P. Wellman. (2015). “Economic Reasoning and Artificial Intelligence.” Science 349 (6245) (July 16): 267–272. doi:10.1126/science. aaa8403. http://dx.doi.org/10.1126/ science.aaa8403.

Patcha, A. and Park, J. M. (2007) “An overview of anomaly detection techniques: Existing solutions and latest technological trends”, Computer Networks, 51(12), pp. 3448–3470. doi: 10.1016/j.comnet.2007.02.001.

Paul, B, Maria, H, Brad, N, & Charles, P (2002), “On the Behavioral Foundations of the Law of Supply and Demand: Human Convergence and Robot Randomness”, Experimental Economics, 3, p. 179.

Peng, R. D. and Matsui, E. (2015) “The Art of Data Science: A Guide for Anyone Who Works with Data”, Journal of Chemical Information and Modeling, 53, p. 159. doi: 10.1017/ CBO9781107415324.004.

Rüdiger, E., Yoshihiko, D., Stefan, N. and David, S. (2011) “Cognitive Systems Monographs”, Control, 3.

Singh, S. and Markou, M. (2004). “An approach to novelty detection applied to the classification of image regions”. IEEE Transactions on Knowledge and Data Engineering, 16(4), pp.396-406.