Andere Kunden interessierten sich auch für
![Deep Insight navegando nas redes neurais de restauração de imagens]( "Deep Insight navegando nas redes neurais de restauração de imagens")
Deep Insight navegando nas redes neurais de restauração de imagens39,99 €![Améliorer l'explicabilité des réseaux neuronaux]( "Améliorer l'explicabilité des réseaux neuronaux")
Améliorer l'explicabilité des réseaux neuronaux51,99 €![Zwi¿kszanie zrozumia¿o¿ci sieci neuronowych]( "Zwi¿kszanie zrozumia¿o¿ci sieci neuronowych")
Zwi¿kszanie zrozumia¿o¿ci sieci neuronowych51,99 €![Enhancing The Explainability of Neural Network]( "Enhancing The Explainability of Neural Network")
Enhancing The Explainability of Neural Network53,99 €![Reconhecimento das Emoções Faciais usando Convolutional Neural Network]( "Reconhecimento das Emoções Faciais usando Convolutional Neural Network")
Reconhecimento das Emoções Faciais usando Convolutional Neural Network29,99 €![INTELIGÊNCIA ARTIFICIAL NOS CUIDADOS DE SAÚDE - UM FLAGELO OU UMA BÊNÇÃO?]( "INTELIGÊNCIA ARTIFICIAL NOS CUIDADOS DE SAÚDE - UM FLAGELO OU UMA BÊNÇÃO?")
INTELIGÊNCIA ARTIFICIAL NOS CUIDADOS DE SAÚDE - UM FLAGELO OU UMA BÊNÇÃO?39,99 €![Migliorare la spiegabilità delle reti neurali]( "Migliorare la spiegabilità delle reti neurali")
Migliorare la spiegabilità delle reti neurali51,99 €
A Inteligência Artificial (IA) baseada em redes neuronais é crucial em muitas aplicações, como sistemas de recomendação, tradução de línguas, redes sociais, chatbots, correção ortográfica, etc. No entanto, estas redes são frequentemente criticadas por serem "caixas negras", o que suscita preocupações quanto à sua explicabilidade, especialmente em domínios sensíveis como os cuidados de saúde, a condução autónoma, etc. Os métodos existentes para melhorar a explicabilidade, como a importância das caraterísticas, carecem frequentemente de clareza e interpretabilidade. Para resolver este problema, foi desenvolvida a Rede Neural Orientada para Objectos para Melhorar a Explicabilidade (OONNIE). A OONNIE utiliza a modelação orientada para objectos para combinar a perda e o peso da ligação para calcular a importância das caraterísticas e integra regras específicas do domínio através da extensibilidade da OOP. O modelo enfatiza a transparência algorítmica, detalhando cada passo do treino. Avaliado nas funções XOR e XNOR, o OONNIE apresenta resultados promissores em termos de importância das caraterísticas, redução mais rápida das perdas e previsões melhoradas após a integração das regras do domínio. Isto marca uma contribuição significativa para a IA explicável, tornando o OONNIE uma ferramenta valiosa para o desenvolvimento de sistemas de IA fiáveis.