Interpretabilita modelů strojového učení

Jakub Štercl

Interpretability of Machine Learning Models

Type of document

diplomová práce
master thesis

Author

Jakub Štercl

Supervisor

Romportl Jan

Opponent

Pavlíček Josef

Field of study

Webové a softwarové inženýrství

Study program

Informatika

Institutions assigning rank

katedra softwarového inženýrství

Rights

A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.html
Vysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html

Metadata

Show full item record

Abstract

Interpretabilita modelů strojového učení slouží k vysvětlení chování, jinak mnohdy zcela neprůhledných, modelů. Tato práce představuje nejpoužívanější metody a nástroje interpretability. Vlastnosti jednotlivých metod pak ilustruje na několika příkladech, jak jednoho modelu z praxe, tak ukázkových. Praktická část práce se pak zabývá návrhem a implementací softwarové knihovny ExpyBox, která slouží pro usnadnění práce a experimentování s vybranými metodami interpretability v prostředí interaktivních Jupyter notebooků.

Interpretability of machine learning models tries to explain behavior of unknown models. This thesis shows the most frequently used methods and tools for interpretability. It ilustrates the behavior of selected methods on a few examples of artificial and actual productionalized models. Second part of the work is focused on design and implementation of ExpyBox package, which aims to provide easy interface for working and experimenting with chosen methods of interpretability in interactive Jupyter notebooks.