1. Agile Machine Learning Model Development Using Data Canyons in Medicine : A Step towards Explainable Artificial Intelligence and Flexible Expert-Based Model ImprovementBojan Žlahtič, Jernej Završnik, Helena Blažun Vošner, Peter Kokol, David Šuran, Tadej Završnik, 2023, original scientific article Abstract: Over the past few decades, machine learning has emerged as a valuable tool in the field of medicine, driven by the accumulation of vast amounts of medical data and the imperative to harness this data for the betterment of humanity. However, many of the prevailing machine learning algorithms in use today are characterized as black-box models, lacking transparency in their decision-making processes and are often devoid of clear visualization capabilities. The transparency of these machine learning models impedes medical experts from effectively leveraging them due to the high-stakes nature of their decisions. Consequently, the need for explainable artificial intelligence (XAI) that aims to address the demand for transparency in the decision-making mechanisms of black-box algorithms has arisen. Alternatively, employing white-box algorithms can empower medical experts by allowing them to contribute their knowledge to the decision-making process and obtain a clear and transparent output. This approach offers an opportunity to personalize machine learning models through an agile process. A novel white-box machine learning algorithm known as Data canyons was employed as a transparent and robust foundation for the proposed solution. By providing medical experts with a web framework where their expertise is transferred to a machine learning model and enabling the utilization of this process in an agile manner, a symbiotic relationship is fostered between the domains of medical expertise and machine learning. The flexibility to manipulate the output machine learning model and visually validate it, even without expertise in machine learning, establishes a crucial link between these two expert domains.
Keywords: XAI, explainable artificial intelligence, data canyons, machine learning, transparency, agile development, white-box model
Published in DKUM: 14.03.2024; Views: 299; Downloads: 36
 Full text (5,28 MB)
This document has many files! More... |
2. Podatkovni kanjoni, pristop strojnega učenja za potrebe razložljive umetne inteligence : doktorska disertacijaBojan Žlahtič, 2023, doctoral dissertation Abstract: 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.
Keywords: razložljiva umetna inteligenca, strojno učenje, klasifikacija, razložljivost, zaupanje
Published in DKUM: 05.12.2023; Views: 467; Downloads: 95
Full text (3,26 MB) |
3. Navzkrižno testiranje simboličnih in konektivističnih pristopov strojnemu učenju na specializiranih bazah akutnega vnetja slepičaMilan Zorman, Sandi Pohorec, Bojan Butolen, Bojan Žlahtič, Peter Kokol, 2012, original scientific article Keywords: akutno vnetje slepiča, odločitvena drevesa, nevronske mreže, strojno učenje, navzkrižno testiranje, medicinska informatika
Published in DKUM: 30.12.2015; Views: 1619; Downloads: 34
 Link to full text
This document has many files! More...
This document is also a collection of 1 document! |
4. |
5. HRANJENJE ZASEBNIH IN JAVNIH PODATKOV V HITRO ODZIVNI KODIBojan Žlahtič, 2013, master's thesis Abstract: Hitro odzivne kode so vedno bolj priljubljene, saj s poplavo pametnih mobilnih naprav omogočajo enostaven prenos podatkov na le-te. Uporabljajo se na različnih področjih, kot je marketing, šolstvo, pošti in na ogromno področjih kjer je pomembna logistika. Uporabnost teh kod pa je omejena, saj so podatki, ki se skrivajo v njih javnega značaja in jih tako lahko prebere vsak, ki ima primerno mobilno napravo s primerno programsko opremo. Tako se zdi smiselno, dodati funkcionalnost, ki omogoča da lahko v hitro odzivno kodo shranjujem tudi podatke zasebnega značaja.
Keywords: hitro odzivna koda, QRC, črtna koda, kodiranje, šifriranje, zasebni podatki, javni podatki
Published in DKUM: 10.04.2013; Views: 1584; Downloads: 171
Full text (1,54 MB) |
6. CAMERA NAVI - NAVIGACIJA S PRETOČNO VSEBINO V ŽIVOBojan Žlahtič, 2010, bachelor thesis/paper Abstract: Diplomsko delo obravnava izkoriščanje naprednih zmožnosti modernih mobilnih telefonov in združevanje teh naprednih zmožnosti za uporabo v preprosti navigacijski aplikaciji. Poznavanje posameznih lastnosti teh naprednih naprav, ki jih ponujajo moderni mobilni telefoni, nam omogoča, da te lastnosti uporabimo za pridobivanje nam relevantnih informacij, ki lahko obogatijo malone vsako aplikacijo, ki te informacije pravilno izkoristi. Tako v naši aplikaciji združujemo globalno določanje položaja, zaznavanje pospeškov in koristimo kamero telefona na način, ki omogoča preprosto in intuitivno navigacijo.
Keywords: Ključne besede: navigacija, sistem globalnega določanja položaja, pospeškometer, kamera, senzor, mobilni telefon, mobilna aplikacija, Windows Mobile, knjižnica Microsoft Foundation Class.
Published in DKUM: 02.02.2012; Views: 2788; Downloads: 231
Full text (1,31 MB) |
