Porovnání metod ML s důrazem na interpretovatelné metody

Jakub Šlechta

Master's thesis

Comparison of Machine Learning Methods with Emphasis on Interpretable MeThods

Abstract:

Tato práce je přehledovou studií interpretabilních metod strojového učení. V rámci práce jsou vybrané metody strojového učení testovány na určeném datasetu. Práce si klade za cíl jednak posouzení interpretovatelnosti vybraných metod a shrnutí jejich výhod a nevýhod z hlediska interpretovatelnosti. Práce je členěna do 7 kapitol, přičemž v rámci kapitoly číslo 5 je zpracována praktická část v podobě vytvoření modelů nad zmíněným datasetem. Součástí práce je taktéž teoretické představení každé z metod a celé domény obecně.

Abstract:

This thesis is a study of interpretable machine learning methods. In this work, selected machine learning methods are tested on a specified dataset. The thesis aims at both assessing the interpretability of the selected methods and summarizing their advantages and disadvantages in terms of interpretability. The thesis is divided into 7 chapters, while the practical part in the form of creating models over the mentioned dataset is elaborated in chapter 5. The theoretical introduction of each method and the domain in general is also part of the thesis.

Keywords

Strojové učení, Dataset, Interpretabilita

Keywords

Machine Learning, Dataset, Interpretability

Language used: Czech

Date on which the thesis was submitted / produced: 29. 6. 2023

Thesis defence

• Date of defence: 12. 9. 2023
• Supervisor: Petr Máša
• Reader: Lukáš Sýkora

Vysoká škola ekonomická v Praze

Master programme:
Podniková informatika