| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava
Prva stran > Izpis gradiva

Izpis gradiva Pomoč

Naslov:Podatkovni kanjoni, pristop strojnega učenja za potrebe razložljive umetne inteligence : doktorska disertacija
Avtorji:ID Žlahtič, Bojan (Avtor)
ID Kokol, Peter (Mentor) Več o mentorju... Novo okno
Datoteke:.pdf DOK_Zlahtic_Bojan_2023.pdf (3,26 MB)
MD5: 062B25EDB220C1A4F8203C1CA7AA64E8
 
Jezik:Slovenski jezik
Vrsta gradiva:Doktorsko delo/naloga
Tipologija:2.08 - Doktorska disertacija
Organizacija:FERI - Fakulteta za elektrotehniko, računalništvo in informatiko
Opis:Z uporabo algoritmov strojnega učenja je mogoče izvesti zapletene analize in pridobiti globlje vpoglede na osnovi obsežnih količin podatkov, kar presega človeške zmožnosti. Navedena značilnost je ključni dejavnik, zaradi katerega je strojno učenje vpeljano v številne domene. Kljub številnim prednostim ni vedno možno integrirati strojnega učenja na določena področja, predvsem zaradi tega, ker se za naprednimi metodami pogosto skrivajo modeli tipa črne skrinje. Ti modeli uporabnikom ne omogočajo vpogleda v logiko njihovega odločanja, kar lahko predstavlja oviro v kontekstih, kjer so odločitve kritične in lahko napačna odločitev vodi v resne posledice. Z namenom ublažiti te problematike smo razvili metodo strojnega učenja, temelječo na naravnem pojavu rečnih kanjonov. Ta pojav lahko vizualiziramo v digitalni grafični obliki, kar omogoča intuitiven prikaz logike odločanja. Rezultat je model strojnega učenja, ki generira globinske slike gibanja podatkov za posamezen razred. V teh slikah je pripadnost posamezne instance kanjonu prikazana s pomočjo barvno kodiranih grafov. Podatkovni kanjoni se zaradi svojih lastnosti in metodologije lahko uporabljajo za potrebe razložljive umetne inteligence, bodisi samostojno ali kot dopolnilni mehanizem drugim pristopom strojnega učenja.
Ključne besede:razložljiva umetna inteligenca, strojno učenje, klasifikacija, razložljivost, zaupanje
Kraj izida:Maribor
Kraj izvedbe:Maribor
Založnik:[B. Žlahtič]
Leto izida:2023
Št. strani:VIII, 103 str.
PID:20.500.12556/DKUM-85798 Novo okno
UDK:004.85.021:004.6(043.3)
COBISS.SI-ID:174856451 Novo okno
Datum objave v DKUM:05.12.2023
Število ogledov:467
Število prenosov:91
Metapodatki:XML DC-XML DC-RDF
Področja:KTFMB - FERI
:
ŽLAHTIČ, Bojan, 2023, Podatkovni kanjoni, pristop strojnega učenja za potrebe razložljive umetne inteligence : doktorska disertacija [na spletu]. Doktorska disertacija. Maribor : B. Žlahtič. [Dostopano 9 april 2025]. Pridobljeno s: https://dk.um.si/IzpisGradiva.php?lang=slv&id=85798
Kopiraj citat
  
Skupna ocena:
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
(0 glasov)
Vaša ocena:Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:Bookmark and Share


Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Licence

Licenca:CC BY-NC-ND 4.0, Creative Commons Priznanje avtorstva-Nekomercialno-Brez predelav 4.0 Mednarodna
Povezava:http://creativecommons.org/licenses/by-nc-nd/4.0/deed.sl
Opis:Najbolj omejujoča licenca Creative Commons. Uporabniki lahko prenesejo in delijo delo v nekomercialne namene in ga ne smejo uporabiti za nobene druge namene.
Začetek licenciranja:12.09.2023

Sekundarni jezik

Jezik:Angleški jezik
Naslov:Data canyons, a machine learning approach for interpretable artificial intelligence
Opis:With machine learning algorithms avast amounts of data can be analyzed to gain profound insights beyond human capabilities. This quality is a key reason for incorporating machine learning across numerous domains. Although machine learning has various benefits aincorporating it into certain areas can be difficult due to the blackbox nature of advanced methods. These models do not grant users insight into their decision-making logic aposing challenges in contexts where decisions are critical and an erroneous decision might result in severe consequences. To address these issues awe developed a machine-learning method based on the natural phenomenon of river canyons. This phenomenon can be visualized in a digital graphical format aoffering an intuitive representation of decision-making logic. The outcome is a machine learning model that produces depth maps of data movement for individual classes. Within these maps athe affiliation of a particular instance to a canyon is denoted by color-coded graphs.
Ključne besede:explainable artificial intelligence, machine learning, classification, explanation, trust


Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)
0 - 0 / 0
 
Ni komentarjev!

Nazaj
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici