Uniwersytet Warszawski - Centralny System Uwierzytelniania
Strona główna

Wyjaśnialne uczenie maszynowe

Informacje ogólne

Kod przedmiotu: 1000-1M18WUM
Kod Erasmus / ISCED: 11.1 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0541) Matematyka Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Wyjaśnialne uczenie maszynowe
Jednostka: Wydział Matematyki, Informatyki i Mechaniki
Grupy: Przedmioty monograficzne dla III - V roku informatyki
Przedmioty monograficzne dla matematyki 2 stopnia
Przedmioty obieralne dla informatyki
Przedmioty obieralne na studiach drugiego stopnia na kierunku bioinformatyka
Punkty ECTS i inne: 6.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.

zobacz reguły punktacji
Język prowadzenia: angielski
Rodzaj przedmiotu:

monograficzne

Skrócony opis:

Poznanie celów, metod oraz technik wyjaśniania złożonych modeli uczenia maszynowego, modelu czarnej skrzynki.

Modele predykcyjne są coraz bardziej złożone, komitety drzew, głębokie sieci neuronowe to modele o tysiącach parametrów. Dla modeli o takiej wymiarowości łatwo stracić kontrolę nad tym czego model się wyuczył.

Podczas tego przedmiotu omówimy narzędzia do analizy struktury modelu traktowanego jako czarna skrzynka, oraz do analizy predykcji z tego modelu.

Pozwoli to na zwiększenie zaufania do modelu, poprawę skuteczności modelu, oraz możliwość wyciągnięcia użytecznej wiedzy z modelu.

Pełny opis:

Wykład:

Zrozumienie modelu:

- miary identyfikacji ważnych zmiennych (oparte o permutacje, oparte o funkcje straty),

- miary badania jakości modelu (dla modelu regresji i klasyfikacji),

- miary badania brzegowej odpowiedzi modelu (częściowa odpowiedź modelu, warunkowa odpowiedź modelu, indywidualne odpowiedzi modelu).

Zrozumienie predykcji:

- lokalne przybliżenia modelem białej skrzynki LIME,

- atrybucja ważności cech oparta o breakDown i metodę shapleya.

Laboratorium:

Przeprowadzenie analizy predykcyjnej dla określonego zjawiska.

Zastosowanie metod wyjaśniania dla danego zjawiska.

Projekt:

Implementacja nowej biblioteki lub walidacja działania wybranego algorytmu zrozumienia modeli czarnej skrzynki.

Literatura:

1. Examples and documentation for Descriptive mAchine Learning EXplana-tions. Biecek 2018. https://pbiecek.github.io/DALEX_docs

2. Ribeiro, Marco Tulio, Sameer Singh, and Carlos Guestrin. 2016. “‘Why Should I Trust You?’: Explaining the Predictions of Any Classifier.” In, 1135–44. ACM Press. https://doi.org/10.1145/2939672.2939778.

3. Fisher, Aaron, Cynthia Rudin, and Francesca Dominici. 2018. “Model Class Reliance: Variable Importance Measures for Any Machine Learning Model Class, from the ’Rashomon’ Perspective.” Journal of Computational and Graphical Statistics. http://arxiv.org/abs/1801.01489.

Efekty uczenia się:

WIEDZA

W01 Zna podstawowe metody wstępnej obróbki danych, w tym metod redukcji wymiaru danych i ekstrakcji cech.

W02 Zna podstawowe metody inteligencji obliczeniowej oraz ich wykorzystanie w analizie danych biznesowych

UMIEJĘTNOŚCI

U01 Zna podstawowe metody badania struktury metod inteligencji obliczeniowej oraz ich wykorzystanie w analizie danych biznesowych.

U02 Umie zbudować klasyfikator oraz ocenić istotność poszczególnych zmiennych na końcowy wynik.

KOMPETENCJE SPOŁECZNE

K01 Umie współpracować w grupie projektowej przyjmując w niej różne role

Metody i kryteria oceniania:

Ocena składać się będzie z trzech składowych

aktywność na zajęciach (20%),

prace domowe (20%)

projekt (60%)

Do zaliczenia potrzebne jest przynajmniej 50% punktów.

Zajęcia w cyklu "Semestr letni 2021/22" (zakończony)

Okres: 2022-02-21 - 2022-06-15
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć:
Ćwiczenia, 30 godzin więcej informacji
Laboratorium, 15 godzin więcej informacji
Wykład, 15 godzin więcej informacji
Koordynatorzy: Przemysław Biecek
Prowadzący grup: Przemysław Biecek
Lista studentów: (nie masz dostępu)
Zaliczenie: Egzamin
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski.
ul. Banacha 2
02-097 Warszawa
tel: +48 22 55 44 214 https://www.mimuw.edu.pl/
kontakt deklaracja dostępności USOSweb 6.8.0.0-2a4334331 (2022-08-26)