Usporedba metoda strojnog učenja s jasnim i nejasnim tumačenjem modela

završni rad

• Naslov (engleski): Comparison of Machine Learning Methods with Clear and Unclear Model Interpretation
• Autor: Ardian Pantina
• Mentor: Alan Jović (mentor)
• Član povjerenstva: Alan Jović (predsjednik povjerenstva)
• Član povjerenstva: Nikolina Frid (član povjerenstva)
• Član povjerenstva: Igor Stančin (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2019-07-12, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Različiti algoritmi klasifikacije, osim po samom pristupu problemu i performansama,
razlikuju se i po razini razumljivosti i jednostavnosti objašnjenja čovjeku. Oni se mogu
formalno usporediti po preciznosti kvalifikacije nad skupovima podataka koristeći metode
poput unakrsne validacije, dok za interpretabilnost formalna definicija ne postoji. Ipak, spo-
sobnost shvaćanja kako algoritmi donose odluke je sve bitniji s porastom odgovornosti sus-
tava koji te algoritme koriste. Iako je generalan konsenzus da kompleksniji i teže razumljivi
algoritmi donose bolje rezultate, oni jednostavniji imaju svoje prednosti i primjenjivi su na
odred̄ene probleme.

Sažetak (engleski)

Different classification algorithms differ by their problem approach and performances,
but also by their level of interpretability and ease of explanation. They can formally be
compared using various methods such as cross validation, while no definition for interpreta-
bility exists. However, the ability to clearly explain how an algorithm works is growing in
importance with the rapid growth of the algorithms’ responsibilities. Although the general
concensus is that more complex algorithms perform better, there are cases where the simpler
models can prove more capable.

• Ključne riječi: Strojno učenje; klasifikacija; nadzirano učenje; algoritmi; interpretabilnost
• Ključne riječi (engleski): Machine learning; classification; supervised learning; interpretability
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:134938
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: preddiplomski; Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ.bacc.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2020-01-07 20:55:00