Forskningsprojekt Förbättring av tolkningsalgoritmer för maskininlärning
Maskininlärning har utvecklats och införts inom en rad olika områden där kraven på noggrannhet och tolkningsbarhet är höga. Ändå brister tolkningsbarheten i många maskininlärningsmodeller. I det här avhandlingsprojektet undersöks hur algoritmerna kan förbättras.
Maskininlärning handlar om både prestation och tillit mellan människa och maskin. Foto: Pavel Danilyuk/Pexels.
I dag blir det allt vanligare att använda maskininlärning för att generera underlag för viktiga beslut. Det är därför viktigt att modellerna kan förklara vad underlaget bygger på för information.
Syftet med detta projekt är att förbättra tolkningsalgoritmerna i maskininlärningsmodeller som har många olika industriella tillämpningar. Maskininlärning används för att göra stora och avancerade beräkningar, men vi människor måste också kunna lita på de svar vi får.
Det här är Alejandro Kuratomi Hernández avhandlingsprojekt.
Tony Lindgren är handledare, Panagiotis Papapetrou är biträdande handledare.
