Wyjaśnialne uczenie maszynowe 1000-1M18WUM
Wykład:
Zrozumienie modelu:
- miary identyfikacji ważnych zmiennych (oparte o permutacje, oparte o funkcje straty),
- miary badania jakości modelu (dla modelu regresji i klasyfikacji),
- miary badania brzegowej odpowiedzi modelu (częściowa odpowiedź modelu, warunkowa odpowiedź modelu, indywidualne odpowiedzi modelu).
Zrozumienie predykcji:
- lokalne przybliżenia modelem białej skrzynki LIME,
- atrybucja ważności cech oparta o breakDown i metodę shapleya.
Laboratorium:
Przeprowadzenie analizy predykcyjnej dla określonego zjawiska.
Zastosowanie metod wyjaśniania dla danego zjawiska.
Projekt:
Implementacja nowej biblioteki lub walidacja działania wybranego algorytmu zrozumienia modeli czarnej skrzynki.
Rodzaj przedmiotu
Efekty kształcenia
WIEDZA
W01 Zna podstawowe metody wstępnej obróbki danych, w tym metod redukcji wymiaru danych i ekstrakcji cech.
W02 Zna podstawowe metody inteligencji obliczeniowej oraz ich wykorzystanie w analizie danych biznesowych
UMIEJĘTNOŚCI
U01 Zna podstawowe metody badania struktury metod inteligencji obliczeniowej oraz ich wykorzystanie w analizie danych biznesowych.
U02 Umie zbudować klasyfikator oraz ocenić istotność poszczególnych zmiennych na końcowy wynik.
KOMPETENCJE SPOŁECZNE
K01 Umie współpracować w grupie projektowej przyjmując w niej różne role
Kryteria oceniania
Ocena składać się będzie z trzech składowych
aktywność na zajęciach (20%),
prace domowe (20%)
projekt (60%)
Do zaliczenia potrzebne jest przynajmniej 50% punktów.
Literatura
1. Examples and documentation for Descriptive mAchine Learning EXplana-tions. Biecek 2018. https://pbiecek.github.io/DALEX_docs
2. Ribeiro, Marco Tulio, Sameer Singh, and Carlos Guestrin. 2016. “‘Why Should I Trust You?’: Explaining the Predictions of Any Classifier.” In, 1135–44. ACM Press. https://doi.org/10.1145/2939672.2939778.
3. Fisher, Aaron, Cynthia Rudin, and Francesca Dominici. 2018. “Model Class Reliance: Variable Importance Measures for Any Machine Learning Model Class, from the ’Rashomon’ Perspective.” Journal of Computational and Graphical Statistics. http://arxiv.org/abs/1801.01489.
Więcej informacji
Więcej informacji o poziomie przedmiotu, roku studiów (i/lub semestrze) w którym się odbywa, o rodzaju i liczbie godzin zajęć - szukaj w planach studiów odpowiednich programów. Ten przedmiot jest związany z programami:
- Informatyka, stacjonarne, pierwszego stopnia
- Informatyka, stacjonarne, drugiego stopnia
- Matematyka, stacjonarne, drugiego stopnia
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: