Modeli za objašnjenje rezultata predviđanja metoda strojnog učenja

diplomski rad

• Naslov (engleski): Models for Explaining Predictions from Machine Learning Methods
• Autor: Gregory Tomadin
• Mentor: Krešimir Pripužić (mentor)
• Član povjerenstva: Krešimir Pripužić (predsjednik povjerenstva)
• Član povjerenstva: Luka Humski (član povjerenstva)
• Član povjerenstva: Siniša Sovilj (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2022-07-14, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

U ovom radu opisana je objašnjiva umjetna inteligencije, kada i zašto se koristiti te čemu služi. Isto tako detaljno je opisana procedura stvaranja objašnjenja modela strojnog učenja od teorijske podloge pa sve do praktičnih primjera. U primjerima se koriste razni modeli strojnog učenja: linearna regresija, logistička regresija, stablo odluke, algoritam K najbližih susjeda, model slučajnih šuma itd. Osim toga koriste se razne metode objašnjive umjetne inteligencije: intrinzične metode, metode agnostičkih modela i metode specifične za model.

Sažetak (engleski)

This paper describes explainable artificial intelligence, when and why to use it and what is its purpose. There is also a detailed description of the procedure for creating an explanation of the machine learning model from the theoretical background to practical examples. The examples use various machine learning models: linear regression, logistic regression, decision tree, K nearest neighbors, random forest, etc. and various explainable artificial intelligence metodes: intrinsic methods, model-agnostic methods and model-specific methods.

• Ključne riječi: objašnjiva umjetna inteligencija; strojno učenje; objašnjivost; interpretabilnost; intrinzične metode; metode agnostičkih modela; metode specifične za model; metoda permutacijske važnosti; dijagram djelomične ovisnosti; SHAP
• Ključne riječi (engleski): explainable artificial intelligence; XAI; machine learning; explainability; interpretability; intrinsic methods; model-agnostic methods; model-specific methods; permutation importance method; partial dependence plot; SHAP
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:967326
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2023-01-13 14:01:41