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 |