Inteligencia artificial explicable : técnicas de extracción de reglas en redes neuronales artificiales
| Autor Principal: | |
|---|---|
| Otros autores o Colaboradores: | , , |
| Formato: | Tesis |
| Lengua: | español |
| Datos de publicación: |
2024
|
| Temas: | |
| Acceso en línea: | http://catalogo.info.unlp.edu.ar/meran/getDocument.pl?id=2700 Consultar en el Cátalogo |
| Descripción Física: | 1 archivo (2,4 MB) : il. col. |
Tabla de Contenidos:
- 1. Introducción
- 1.1. Motivación e importancia del campo
- 1.2. Objetivos del trabajo
- 1.3. Metodología de Trabajo
- 1.4. Resultados Obtenidos
- 1.5. Estructura de la tesina
- 2. Marco Teórico
- 2.1. Redes neuronales
- 2.1.1. Redes con alimentación hacia adelante
- 2.1.2. ¿Cómo aprenden las redes neuronales artificiales?
- 2.2. Explicabilidad: Métodos
- 2.3. Extracción de reglas en redes neuronales artificiales
- 2.3.1. Tipos de reglas
- 2.3.2. Métricas de evaluación
- 3. Trabajos relacionados
- 3.1. Métodos Pedagógicos
- 3.2. Métodos Decomposicionales
- 3.3. Métodos Eclécticos
- 4. Trabajo realizado
- 4.1. Características de RxREN
- 4.1.1. Fases del algoritmo
- 4.2. Algoritmo propuesto: FORxREN (Fidelity Oriented Rule extraction by Reverse
- Engineering of Neural networks)
- 4.2.1. Cambios en la Fase uno:
- 4.2.2. Cambios en la Fase dos:
- 4.3. Algoritmo FORxREN paso a paso
- 4.3.1. Fase uno paso a paso
- 4.3.2. Fase dos paso a paso
- 4.3.3. Configuraciones
- 4.4. Resultados parciales
- 4.4.1. Modificaciones realizadas
- 4.4.2. Resumen y conclusión
- 5. Evaluación empírica del algoritmo y sus resultados
- 5.1. Descripción de los datos
- 5.2. Redes neuronales entrenadas
- 5.3. Ejecución detallada - Configuración 1 - Iris
- 5.4. Resultados de las ejecuciones
- 6. Conclusiones
- 7. Trabajos futuros
- A. Tecnologías utilizadas
- A.1. Google Colab
- A.2. Sklearn
- A.3. Keras
- A.4. Numpy
- A.5. Pandas
- Referencias