prikaz prve stranice dokumenta Osnovni koncepti, metodologija i primjena objašnjive umjetne inteligencije
  Download
PDF 5.69 MB
master's thesis
Osnovni koncepti, metodologija i primjena objašnjive umjetne inteligencije
Zagreb: University of Zagreb, Faculty of Science, 2020. urn:nbn:hr:217:942014
Duvnjak, Matej
University of Zagreb
Faculty of Science
Department of Mathematics

Institutional repository: Repository of the Faculty of Science

Cite this document

Duvnjak, M. (2020). Osnovni koncepti, metodologija i primjena objašnjive umjetne inteligencije (Master's thesis). Zagreb: University of Zagreb, Faculty of Science. Retrieved from https://urn.nsk.hr/urn:nbn:hr:217:942014

Duvnjak, Matej. "Osnovni koncepti, metodologija i primjena objašnjive umjetne inteligencije." Master's thesis, University of Zagreb, Faculty of Science, 2020. https://urn.nsk.hr/urn:nbn:hr:217:942014

Duvnjak, Matej. "Osnovni koncepti, metodologija i primjena objašnjive umjetne inteligencije." Master's thesis, University of Zagreb, Faculty of Science, 2020. https://urn.nsk.hr/urn:nbn:hr:217:942014

Duvnjak, M. (2020). 'Osnovni koncepti, metodologija i primjena objašnjive umjetne inteligencije', Master's thesis, University of Zagreb, Faculty of Science, accessed 14 March 2025, https://urn.nsk.hr/urn:nbn:hr:217:942014

Duvnjak M. Osnovni koncepti, metodologija i primjena objašnjive umjetne inteligencije [Master's thesis]. Zagreb: University of Zagreb, Faculty of Science; 2020 [cited 2025 March 14] Available at: https://urn.nsk.hr/urn:nbn:hr:217:942014

M. Duvnjak, "Osnovni koncepti, metodologija i primjena objašnjive umjetne inteligencije", Master's thesis, University of Zagreb, Faculty of Science, Zagreb, 2020. Available at: https://urn.nsk.hr/urn:nbn:hr:217:942014

Metadata
TitleOsnovni koncepti, metodologija i primjena objašnjive umjetne inteligencije
AuthorMatej Duvnjak
MentorTomislav Šmuc (mentor)
Committee memberTomislav Šmuc (predsjednik povjerenstva)
Committee memberZvonimir Bujanović (član povjerenstva)
Committee memberVedran Krčadinac (član povjerenstva)
Committee memberGoran Igaly (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Science
(Department of Mathematics)
Zagreb
Defense date and country2020-09-29, Croatia
Scientific / art field,
discipline and subdiscipline		NATURAL SCIENCES
Mathematics
Abstract
U ovom radu predstavili smo dio metoda za Objašnjivost umjetne inteligencije, podijelili smo metode prema kategorijama. Objasnili terminologiju korištenu u ovom polju. Za većinu metoda uz teoretsko objašnjenje dali smo i primjere korištenja. Predstavili smo najvažnije Samo-objašnjive metode kao što su Linearna Regresija, Logistička regresija i Stabla odluke. Objasnili zašto ih smatramo samo-objašnjivim. Za Model-Agnostičke metode koje spadaju u Post-Hoc metode objašnjivosti naveli smo Graf djelomične ovisnosti, Grafove pojedinačnog uvjetnog očekivanja, Grafove Akumuliranih lokalnih učinaka, Lokalno interpretabilnih model Agnostičke (LIME), te SHAP vrijednosti. Sve ove metode, omogućavaju nam određeni uvid u rad bilo kojeg modela. Kod metoda koje su specifične za modele koncentrirali smo se na Konvolucijske Neuronske mreže, te prikazali poboljšanja u mapama vidljivosti. Također smo pokazali Objašnjive metode za CNN koje kao podatke imaju Vremenske nizove.
Abstract (english)
In this paper, we have presented some of the methods for Explanatory Artificial Intelligence, we have divided the methods into categories and explained the terminology used in this field. For most methods, in addition to a theoretical explanation, we have given examples of use. We presented the most important Self-Explainable methods that are Linear Regression, Logistic Regression and Decision Trees and explained why we consider them only explainable. For Model-Agnostic methods that belong to the Post-Hoc methods, we have explained the Graph of Partial Dependence, Graphs of Individual Conditional Expectation, Graphs of Accumulated Local Effects, Locally Interpretable Model Agnostic (LIME), and SHAP values. All these methods allow us to see any model. For model-specific methods, we concentrated on Convolutional Neural Networks, and showed which improvements exist in visibility maps of CNN. We also showed Interpretable methods for time-series CNN.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:217:942014
Study programmeTitle: Computer Science and Mathematics
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra računarstva i matematike (magistar/magistra računarstva i matematike)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Terms of useLicence In copyright icon
Created on2020-12-10 13:14:46