1. Repositorio Institucional del Tecnológico Nacional de México (RI - TecNM)
2. Tesis de Posgrado
3. Baja California
4. Instituto Tecnológico de Tijuana
5. TESIS DE DOCTORADO
6. DOCTORADO EN CIENCIAS EN COMPUTACIÓN

Título :	METODOS DE REPRESENTACION, INTERPRETACIÓN, BUSQUEDA E INFERENCIA BASADOS EN APRENDIZAJE CON REDES NEURONALES, PARA ANALITICA DE DATOS A TRAVES DE PREDICADOS DE LOGICA DIFUSA.
Autor :	LLORENTE PERALTA, CARLOS ERIC%817960
metadata.dc.subject.other:	METODOS DE REPRESENTACION, INTERPRETACIÓN, BUSQUEDA E INFERENCIA BASADOS EN APRENDIZAJE CON REDES NEURONALES, PARA ANALITICA DE DATOS
Fecha de publicación :	2024-06-01
Editorial :	Tecnológico Nacional de México
metadata.dc.publisher.tecnm:	Instituto Tecnológico de Tijuana
Descripción :	En la actualidad, vivimos en un mundo tan interconectado que se genera una cantidad masiva de datos en el día a día. Se estima que para el año 2025, esta cifra alcance los 181 zettabytes. Surge así la necesidad de desarrollar modelos computacionales que puedan filtrar, analizar, modelar y extraer información importante, precisa y veraz, con el fin de ayudar en procesos de toma de decisiones, mejora de la eficiencia, la innovación y el desarrollo, entre otros aspectos. Es de tal forma que surge el enfoque de la analítica de datos. El creciente estudio y desarrollo de modelos enfocados en el análisis de datos ha traído consigo grandes avances en áreas como la ingeniería, la medicina, los negocios y la seguridad, entre otras. Dentro de tales modelos, las redes neuronales han tenido un impacto significativo, gracias a sus resultados altamente precisos y su capacidad de aprendizaje y adaptación a los datos. Específicamente, las redes neuronales que implementan lógica difusa destacan, ya que permiten al modelo manejar la incertidumbre y datos vagos e incompletos, características comunes en problemas del mundo real. Sin embargo, las redes neuronales de lógica difusa, o redes neuro difusas, todavía enfrentan algunas limitaciones. Por ejemplo, la implementación de estos modelos puede resultar conceptualmente difícil, lo que dificulta su comprensión e interpretación. Además, suelen requerir muchos recursos computacionales, tiempo de ejecución, tal que a menudo necesitan modelos de optimización especializados debido a la complejidad de los parámetros involucrados. Por tanto, en el presente proyecto de tesis se presentan una serie de conceptos que buscan, a través del análisis de diversos enfoques, construir una red neuronal de lógica difusa Arquimediana compensatoria. Esta red, mediante el aprendizaje de predicados lógicos, pretende resolver problemas de analítica de datos a través de un modelo interpretable y preciso, evitando así el uso de recursos extra lógicos, lo cual facilita su interpretación semántica. De esta manera, se contribuye a la creación de modelos no solo precisos en tareas de clasificación e inferencia, sino también interpretables y explicables en función del lenguaje natural.
metadata.dc.type:	info:eu-repo/semantics/doctoralThesis
Aparece en las colecciones:	DOCTORADO EN CIENCIAS EN COMPUTACIÓN

Este ítem está protegido por copyright original Visualizar la licencia

Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons