Ερμηνεύσιμη μηχανική μάθηση
Η τεράστια ανάπτυξη της τεχνολογίας τα τελευταία χρόνια σε συνδυασμό με την ευρύτατη χρήση τεχνολογικών μέσων όπως υπολογιστών έξυπνων κινητών και λοιπών έχει επιφέρει τον πολύ μεγάλο όγκο δεδομένων. Σε αυτόν τον μεγάλο όγκο δεδομένων υπάρχουν δεδομένα που θα είναι είτε χρήσιμα είτε μη χρήσιμα. Για...
| Main Author: | |
|---|---|
| Other Authors: | |
| Language: | Greek |
| Published: |
2021
|
| Subjects: | |
| Online Access: | http://hdl.handle.net/10889/15509 |
| id |
nemertes-10889-15509 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-155092022-09-05T14:06:29Z Ερμηνεύσιμη μηχανική μάθηση Interpetable machine learning Λαππά, Σταυρούλα Lappa, Stavroula Ερμηνεύσιμη μηχανική μάθηση Ερμηνευσιμότητα Machine learning Interpretability Η τεράστια ανάπτυξη της τεχνολογίας τα τελευταία χρόνια σε συνδυασμό με την ευρύτατη χρήση τεχνολογικών μέσων όπως υπολογιστών έξυπνων κινητών και λοιπών έχει επιφέρει τον πολύ μεγάλο όγκο δεδομένων. Σε αυτόν τον μεγάλο όγκο δεδομένων υπάρχουν δεδομένα που θα είναι είτε χρήσιμα είτε μη χρήσιμα. Για αυτόν τον λόγο η σημασία της ερμηνευσιμότητας, την οποία θα αναλύσουμε ενδελεχώς στην παρούσα εργασία, είναι μεγάλη και παίζει καθοριστικό ρόλο στην λήψη αποφάσεων των ερευνητών και των επιστημόνων για τις διάφορες εργασίες που τους έχουν ανατεθεί. Αναλυτικά στην συγκεκριμένη εργασία θα δούμε: 1ο κεφάλαιο: Τον ορισμό της μηχανικής μάθησης και τους διάφορους αλγόριθμους όπως και τις προσεγγίσεις της για την επίλυση προβλημάτων με την χρήση της. 2ο κεφάλαιο: Την σημασία, την αξιολόγηση και τον σκοπό της ερημενευσιμότητας καθώς και την ταξινόμηση και των ερμηνευτικών μεθόδων. 3ο κεφάλαιο: Τα ερμηνευτικά μοντέλα, όπως την γραμμική και λογιστική παλινδρόμηση, τον Naïve Bayes, τον k-means, τα δέντρα αποφάσεων και τα γενικευμένα γραμμικά μοντέλα, τον αλγόριθμο του καθενός από τα παραπάνω μοντέλα καθώς και ένα παράδειγμα με εφαρμογή του καθενός από αυτά σε πραγματικά δεδομένα αναφέροντας επίσης πλεονεκτήματα και μειονεκτήματα της κάθε μεθόδου. 4ο κεφάλαιο: Κάποιες μοντέλο-αγνωστικιστικές μεθόδους και το πως λειτουργούν. 5ο κεφάλαιο: Τα συμπεράσματα που εξαγάγαμε καθώς και προτάσεις για μελλοντική έρευνα. The huge development of technology in recent years combined with the widespread use of technological means such as computers, smartphones and others has brought about a very large volume of data. In this large volume of data there is data that will be either useful or not useful. For this reason, the importance of interpretability, which we will analyze in detail in this paper, is great and plays a crucial role in the decisions of researchers and scientists for the various tasks assigned to them. We will see in detail in this paper: Chapter 1: The definition of machine learning and the various algorithms as well as its approaches to problem solving using it. Chapter 2: The importance of the evaluation and the purpose of interpretability as well as the classification and interpretive methods. Chapter 3: Interpretive models, such as linear and logistic regression, Naïve Bayes, k-means, decision trees and generalized linear models, the algorithm of each of the above models as well as an example with application of each of them in real data indicating also advantages and disadvantages of each method. Chapter 4: Some model-agnostic methods and how they work. Chapter 5: The conclusions we drew as well as suggestions for future research. 2021-11-03T06:40:15Z 2021-11-03T06:40:15Z 2021-09-23 http://hdl.handle.net/10889/15509 gr application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Ερμηνεύσιμη μηχανική μάθηση Ερμηνευσιμότητα Machine learning Interpretability |
| spellingShingle |
Ερμηνεύσιμη μηχανική μάθηση Ερμηνευσιμότητα Machine learning Interpretability Λαππά, Σταυρούλα Ερμηνεύσιμη μηχανική μάθηση |
| description |
Η τεράστια ανάπτυξη της τεχνολογίας τα τελευταία χρόνια σε συνδυασμό με την ευρύτατη χρήση τεχνολογικών μέσων όπως υπολογιστών έξυπνων κινητών και λοιπών έχει επιφέρει τον πολύ μεγάλο όγκο δεδομένων. Σε αυτόν τον μεγάλο όγκο δεδομένων υπάρχουν δεδομένα που θα είναι είτε χρήσιμα είτε μη χρήσιμα. Για αυτόν τον λόγο η σημασία της ερμηνευσιμότητας, την οποία θα αναλύσουμε ενδελεχώς στην παρούσα εργασία, είναι μεγάλη και παίζει καθοριστικό ρόλο στην λήψη αποφάσεων των ερευνητών και των επιστημόνων για τις διάφορες εργασίες που τους έχουν ανατεθεί. Αναλυτικά στην συγκεκριμένη εργασία θα δούμε:
1ο κεφάλαιο: Τον ορισμό της μηχανικής μάθησης και τους διάφορους αλγόριθμους όπως και τις προσεγγίσεις της για την επίλυση προβλημάτων με την χρήση της.
2ο κεφάλαιο: Την σημασία, την αξιολόγηση και τον σκοπό της ερημενευσιμότητας καθώς και την ταξινόμηση και των ερμηνευτικών μεθόδων.
3ο κεφάλαιο: Τα ερμηνευτικά μοντέλα, όπως την γραμμική και λογιστική παλινδρόμηση, τον Naïve Bayes, τον k-means, τα δέντρα αποφάσεων και τα γενικευμένα γραμμικά μοντέλα, τον αλγόριθμο του καθενός από τα παραπάνω μοντέλα καθώς και ένα παράδειγμα με εφαρμογή του καθενός από αυτά σε πραγματικά δεδομένα αναφέροντας επίσης πλεονεκτήματα και μειονεκτήματα της κάθε μεθόδου.
4ο κεφάλαιο: Κάποιες μοντέλο-αγνωστικιστικές μεθόδους και το πως λειτουργούν.
5ο κεφάλαιο: Τα συμπεράσματα που εξαγάγαμε καθώς και προτάσεις για μελλοντική έρευνα. |
| author2 |
Lappa, Stavroula |
| author_facet |
Lappa, Stavroula Λαππά, Σταυρούλα |
| author |
Λαππά, Σταυρούλα |
| author_sort |
Λαππά, Σταυρούλα |
| title |
Ερμηνεύσιμη μηχανική μάθηση |
| title_short |
Ερμηνεύσιμη μηχανική μάθηση |
| title_full |
Ερμηνεύσιμη μηχανική μάθηση |
| title_fullStr |
Ερμηνεύσιμη μηχανική μάθηση |
| title_full_unstemmed |
Ερμηνεύσιμη μηχανική μάθηση |
| title_sort |
ερμηνεύσιμη μηχανική μάθηση |
| publishDate |
2021 |
| url |
http://hdl.handle.net/10889/15509 |
| work_keys_str_mv |
AT lappastauroula ermēneusimēmēchanikēmathēsē AT lappastauroula interpetablemachinelearning |
| _version_ |
1771297259118395392 |
