Inteligencia artificial explicable : técnicas de extracción de reglas en redes neuronales artificiales

Tesina (Licenciatura en Informática) - Universidad Nacional de La Plata. Facultad de Informática, 2024.

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