Odkrywanie wiedzy z użyciem klasyfikatorów przekształcanych na zbiory łatwo interpretowanych reguł
Opiekun pracy: dr inż. Sebastian Porębski
W ostatnich latach zauważa się kierunek badań sztucznej inteligencji skierowany w stronę metod, które oprócz efektywnego rozwiązywania problemów wymagających inteligencji obliczeniowej, cechują się wysoką interpretowalnością ich sposobu działania. Kompromis pomiędzy dokładnością klasyfikacji oraz interpretowalnością schematu wnioskowania w metodach uczenia maszynowego stanowił trudne kryterium, w którym środek ciężkości skupiał się na jednej bądź drugiej stronie (dokładności/interpretowalności). Niemniej, możliwe jest przekształcanie mechanizmu wnioskowania złożonych systemów klasyfikacji w formę łatwych w interpretacji reguł wnioskowania.
Celem pracy jest zaprojektowanie, implementacja algorytmu przekształcającego wybrane metody klasyfikacji (np. sieć neuronową, drzewo decyzyjne, klasyfikator najbliższych sąsiadów) na zbiór reguł wnioskowania rozmytego po przeglądzie metod obecnego trendu Explainable Artificial Intelligence. System taki miałby wprowadzać kryterium oceny złożoności wyniku treningu klasyfikatora (np. poprzez ocenę hiperpowierzchni decyzyjnej) oraz proponować możliwe do wygenerowania na jego podstawie zbiory reguł wnioskowania. Implementacja systemu może być zaprojektowana w typowych środowiskach takich jak Matlab, C++, R lub Python.
