Wyjaśnialne uczenie maszynowe 1000-319bEML
- https://github.com/mim-uw/eXplainableMachineLearning-2025/ (w cyklu 2024Z)
- Wprowadzenie do wyjaśnialnej sztucznej inteligencji, interpretowalnego uczenia maszynowego i zagadnienia dyskryminacji
- Metody analizy warunkowej modeli predykcyjnych: metoda Break-Down, Break-Down z interakcjami, SHAP, ASV
- Metody analizy modeli przez perturbacje: metoda LIME, LORE
- Metody analizy modeli contekstowych i testowania wrażliwości modeli: Ceteris Paribus, Partial Dependence, Accumulated Local Effects
- Metody oceny ważności zmiennych: Variable Importance by Pertmutations, Model Class Reliance
- Sprawiedliwość i stronniczość
- Objaśnienia specyficzne dla sieci neuronowych
Rodzaj przedmiotu
Wymagania (lista przedmiotów)
Koordynatorzy przedmiotu
Kierunek podstawowy MISMaP
Kryteria oceniania
The final grade is based on activity in four areas:
mandatory: Project (0-36)
mandatory: Exam (0-30)
optional: Homeworks (0-24)
optional: Presentation (0-10)
In total you can get from 0 to 100 points. 51 points are needed to pass this course.
Grades:
51-60: (3) dst
61-70: (3.5) dst+
71-80: (4) db
81-90: (4.5) db+
91-100: (5) bdb
Literatura
Explanatory Model Analysis. Explore, Explain and Examine Predictive Models by Przemysław Biecek, Tomasz Burzykowski
Fairness and Machine Learning: Limitations and Opportunities by Solon Barocas, Moritz Hardt, Arvind Narayanan
Interpretable Machine Learning. A Guide for Making Black Box Models Explainable by Christoph Molnar
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:
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: