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