Argumentirano strojno učenje z uporabo logistične regresijeMožina, David (Avtor) Guid, Matej (Mentor) umetna inteligencastrojno učenjeznanost o podatkihlogistična regresijaargumentirano strojno učenjelogistična regresija z argumentiinteraktivna zanka za zajemanje znanjaLjudje dandanes pri soočanju z novimi podatki vedno bolj stremimo k uporabi enostavnih orodij in postopkov za njihovo obdelavo in analizo. Želimo si na preprost način izluščiti uporabne informacije, odkriti zakonitosti v podatkih ali izdelati napovedni model. V magistrskem delu smo zasnovali orodje, ki na enostaven način omogoča spoznavanje novih podatkov ter enostavno vpeljavo ekspertnega znanja v domeno v obliki novih značilk oz. atributov. Orodje temelji na paradigmi argumentiranega strojnega učenja (angl. argument-based machine learning, ABML)in metodi strojnega učenja, ki jo poznamo pod imenom logistična regresija. Modelu logistične regresije smo dodali možnost zajema ekspertnega znanja in razvili novo metodo, ki omogoča interakcijo med domenskim strokovnjakom (ekspertom) in logistično regresijo. Poimenovali smo jo argumentirano strojno učenje z uporabo logistične regresije (angl. argument-based machine learning with logistic regression). Implementirali smo aplikacijo z grafičnim vmesnikom, ki uporablja omenjeno novo metodo za zajem ekspertnega znanja. Metoda s pomočjo interaktivne zanke v gradnjo napovednega modela vključi dodatno znanje v obliki novih značilk oz. atributov. Poišče problematične primere, ki jih logistična regresija uvrsti v napačen razred. Ti primeri so predstavljeni domenskemu strokovnjaku oz. ekspertu. Ekspertova naloga je, da s podajanjem čim boljših argumentov v interakciji s programom razloži kritične primere in poda razloge, čemu določeni problematični primer sodi v nasprotni razred. Glede na podane argumente strokovnjaka metoda samodejno poišče relevantne protiprimere, ki ekspertu olajšajo argumentiranje in včasih opozorijo na možne pomanjkljivosti v podanih argumentih. Protiprimeri se menjavajo sproti glede na navedene pogoje eksperta. Strokovnjak z vnašanjem domenskega znanja usmerja algoritem strojnega učenja do boljših napovednih točnosti in do modela, ki je skladen z ekspertnim znanjem. Aplikacija poleg uporabe omenjene metode med samim postopkom argumentiranja omogoča tudi tvorjenje novih atributov. V primeru, da ti uspešno rešijo trenutni kritični primer, se ta zamenja, kar omogoča hitrejšo interakcijo med domenskim ekspertom in metodo strojnega učenja.20172017-03-28 13:41:20Magistrsko delo/naloga91347VisID: 17261sl