Modelo de aprendizaje automático interpretable mediante cómputo granular [recurso electrónico] / Raúl Ignacio Navarro Almanza ; director, Juan R. Castro Rodríguez ; codirector, Mauricio A. Sanchez Herrera
Tipo de material: Archivo de ordenadorDetalles de publicación: Tijuana, Baja California, 2022Descripción: Recurso en línea. (116 p.) : ilTema(s): Ciencia -- Tesis y disertaciones académicasClasificación LoC:Q181.T4 | N382 2022Recursos en línea: Tesis Digital. Nota de disertación: Tesis (Doctorado) -- Universidad Autónoma de Baja California. Facultad de Ciencias Químicas e Ingeniería, Tijuana, 2022. Resumen: El aprendizaje automático interpretable está en tendencia, ya que tiene como objetivo construir un proceso de decisión comprensible para los humanos. Hay dos tipos principales de sistemas de aprendizaje automático: modelos de caja blanca y de caja negra. Los modelos de caja blanca son inherentemente interpretables, pero comúnmente sufren fenómenos de ajuste insuficiente; por otro lado, los modelos de caja negra funcionan bastante bien en una amplia gama de problemas de dominio de aplicación, pero su razonamiento detrás de una decisión es difícil o incluso imposible de entender.Tipo de ítem | Biblioteca actual | Colección | Signatura | Copia número | Estado | Fecha de vencimiento | Código de barras |
---|---|---|---|---|---|---|---|
Tesis | Biblioteca Central Tijuana | Colección de Tesis | Q181.T4 N382 2022 (Browse shelf(Abre debajo)) | 1 | Disponible | TIJ139426 |
Navegando Biblioteca Central Tijuana Estantes, Código de colección: Colección de Tesis Cerrar el navegador de estanterías (Oculta el navegador de estanterías)
Doctor en Ciencias.
Tesis (Doctorado) -- Universidad Autónoma de Baja California. Facultad de Ciencias Químicas e Ingeniería, Tijuana, 2022.
Incluye referencias bibliográficas (p. 109-116)
El aprendizaje automático interpretable está en tendencia, ya que tiene como objetivo construir un proceso de decisión comprensible para los humanos. Hay dos tipos principales de sistemas de aprendizaje automático: modelos de caja blanca y de caja negra. Los modelos de caja blanca son inherentemente interpretables, pero comúnmente sufren fenómenos de ajuste insuficiente; por otro lado, los modelos de caja negra funcionan bastante bien en una amplia gama de problemas de dominio de aplicación, pero su razonamiento detrás de una decisión es difícil o incluso imposible de entender.