Comparison of Machine Learning Methods with Emphasis on Interpretable MeThods

Thesis title: Porovnání metod ML s důrazem na interpretovatelné metody
Author: Šlechta, Jakub
Thesis type: Diplomová práce
Supervisor: Máša, Petr
Opponents: Sýkora, Lukáš
Thesis language: Česky
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.
Keywords: Strojové učení; Dataset; Interpretabilita
Thesis title: Comparison of Machine Learning Methods with Emphasis on Interpretable MeThods
Author: Šlechta, Jakub
Thesis type: Diploma thesis
Supervisor: Máša, Petr
Opponents: Sýkora, Lukáš
Thesis language: Česky
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: Machine Learning; Dataset; Interpretability

Information about study

Study programme: Podniková informatika
Type of study programme: Magisterský studijní program
Assigned degree: Ing.
Institutions assigning academic degree: Vysoká škola ekonomická v Praze
Faculty: Faculty of Informatics and Statistics
Department: Department of Information and Knowledge Engineering

Information on submission and defense

Date of assignment: 29. 9. 2022
Date of submission: 29. 6. 2023
Date of defense: 12. 9. 2023
Identifier in the InSIS system: https://insis.vse.cz/zp/82085/podrobnosti

Files for download

    Last update: