prikaz prve stranice dokumenta Osnovni koncepti, metodologija i primjena objašnjive umjetne inteligencije
  Preuzmi
PDF 5.69 MB
diplomski rad
Osnovni koncepti, metodologija i primjena objašnjive umjetne inteligencije
Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2020. urn:nbn:hr:217:942014
Duvnjak, Matej
Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
Matematički odsjek

Institucijski repozitorij: Repozitorij Prirodoslovno-matematičkog fakulteta

Citirajte ovaj rad

Duvnjak, M. (2020). Osnovni koncepti, metodologija i primjena objašnjive umjetne inteligencije (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:217:942014

Duvnjak, Matej. "Osnovni koncepti, metodologija i primjena objašnjive umjetne inteligencije." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2020. https://urn.nsk.hr/urn:nbn:hr:217:942014

Duvnjak, Matej. "Osnovni koncepti, metodologija i primjena objašnjive umjetne inteligencije." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2020. https://urn.nsk.hr/urn:nbn:hr:217:942014

Duvnjak, M. (2020). 'Osnovni koncepti, metodologija i primjena objašnjive umjetne inteligencije', Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, citirano: 23.11.2024., https://urn.nsk.hr/urn:nbn:hr:217:942014

Duvnjak M. Osnovni koncepti, metodologija i primjena objašnjive umjetne inteligencije [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet; 2020 [pristupljeno 23.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:942014

M. Duvnjak, "Osnovni koncepti, metodologija i primjena objašnjive umjetne inteligencije", Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, Zagreb, 2020. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:942014

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:217:942014
Podaci o radu
NaslovOsnovni koncepti, metodologija i primjena objašnjive umjetne inteligencije
AutorMatej Duvnjak
MentorTomislav Šmuc (mentor)
Član povjerenstvaTomislav Šmuc (predsjednik povjerenstva)
Član povjerenstvaZvonimir Bujanović (član povjerenstva)
Član povjerenstvaVedran Krčadinac (član povjerenstva)
Član povjerenstvaGoran Igaly (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
(Matematički odsjek)
Zagreb
Datum i država obrane2020-09-29, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		PRIRODNE ZNANOSTI
Matematika
Sažetak
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.
Sažetak (engleski)
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.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:217:942014
Studijski programNaziv: Računarstvo i matematika
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra računarstva i matematike (mag. inf. et math.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2020-12-10 13:14:46