Projekty finansowane przez NCN

Dane kierownika projektu i jednostki realizującej

Szczegółowe informacje o projekcie i konkursie

Słowa kluczowe

Aparatura

Wyczyść formularz

DALEX: Lokalne, brzegowe i globalne objaśnienia złożonych modeli uczenia maszyn

2017/27/B/ST6/01307

Słowa kluczowe:

uczenie maszyn lokalne wyjaśnienia aproksymacje prostymi modelami

Deskryptory:

  • ST6_11: Uczenie maszynowe, statystyczne przetwarzanie danych i zastosowanie w przetwarzaniu sygnałów
  • ST6_12: Obliczenia naukowe, narzędzia modelowania i symulacji

Panel:

ST6 - Informatyka i technologie informacyjne: technologie i systemy informacyjne, informatyka, obliczenia naukowe, systemy inteligentne

Jednostka realizująca:

Politechnika Warszawska, Wydział Matematyki i Nauk Informacyjnych

woj. mazowieckie

Inne projekty tej jednostki 

Kierownik projektu (z jednostki realizującej):

dr hab. Przemysław Biecek 

Liczba wykonawców projektu: 4

Konkurs: OPUS 14 - ogłoszony 2017-09-15

Przyznana kwota: 542 660 PLN

Rozpoczęcie projektu: 2018-08-08

Zakończenie projektu: 2023-01-07

Planowany czas trwania projektu: 53 miesięcy (z wniosku)

Status projektu: Projekt rozliczony

Opis Projektu

Pobierz opis projektu w formacie .pdf

Uwaga - opisy projektów zostały sporządzone przez samych autorów wniosków i w niezmienionej formie umieszczone w systemie.

Zakupiona aparatura

  1. Laptop. Za kwotę 6 000 PLN
  2. Serwer 30TB HDD; 128 GB RAM; 24 cores. Za kwotę 46 000 PLN
  3. 2 x Notebook DELL Vostro 7500.
  4. Monitor 65''. Za kwotę 5 000 PLN
  5. Tablet Apple iPad.

Dane z raportu końcowego/rocznego

  • Publikacje w czasopismach (9)
  • Teksty w publikacjach pokonferencyjnych (2)
  1. Simpler is better: Lifting interpretability-performance trade-off via automated feature engineering
    Autorzy:
    Alicja Gosiewska, Anna Kozak, Przemysław Biecek
    Czasopismo:
    Decision Support Systems (rok: 2021, tom: 150, strony: 113556), Wydawca: Decision Support Systems
    Status:
    Opublikowana
    Doi:
    10.1016/j.dss.2021.113556 - link do publikacji
  2. The grammar of interactive explanatory model analysis
    Autorzy:
    Hubert Baniecki, Dariusz Parzych, Przemyslaw Biecek
    Czasopismo:
    Data Mining and Knowledge Discovery (rok: 2023, tom: 1, strony: 13516), Wydawca: Springer
    Status:
    Opublikowana
    Doi:
    10.1007/s10618-023-00924-w - link do publikacji
  3. dalex: Responsible Machine Learning with Interactive Explainability and Fairness in Python
    Autorzy:
    Hubert Baniecki, Wojciech Kretowicz, Piotr Piatyszek, Jakub Wisniewski, Przemyslaw Biecek
    Czasopismo:
    Journal of Machine Learning Research (rok: 2021, tom: 22, strony: 45298), Wydawca: Journal of Machine Learning Research
    Status:
    Opublikowana
    Doi:
    brak - link do publikacji
  4. Clinical Significance of Nucleoli Cytomorphology Assessment in Patients With Uveal Melanoma
    Autorzy:
    TOMASZ BERUS, ANNA MARKIEWICZ, PRZEMYSŁAW BIECEK, JOLANTA ORŁOWSKA-HEITZMAN, AGNIESZKA HAŁOŃ, BOŻENA ROMANOWSKA-DIXON, PIOTR DONIZY
    Czasopismo:
    ANTICANCER RESEARCH (rok: 2020, tom: 40, strony: 505-3512), Wydawca: International Institute of Anticancer Research
    Status:
    Opublikowana
    Doi:
    10.21873/anticanres.14338 - link do publikacji
  5. Interpretable meta-score for model performance
    Autorzy:
    Alicja Gosiewska, Katarzyna Woźnica, Przemysław Biecek
    Czasopismo:
    Nature Machine Intelligence (rok: 2022, tom: 4, strony: 792–800), Wydawca: Nature
    Status:
    Opublikowana
    Doi:
    10.1038/s42256-022-00531-2 - link do publikacji
  6. Interpretable segmentation of medical free-text records based on word embeddings
    Autorzy:
    Adam Dobrakowski, Agnieszka Mykowiecka, Małgorzata Marciniak, Wojciech Jaworski, Przemysław Biecek
    Czasopismo:
    Journal of Intelligent Information Systems (rok: 2021, tom: 57, strony: 447-465), Wydawca: Journal of Intelligent Information Systems
    Status:
    Opublikowana
    Doi:
    10.1007/s10844-021-00659-4 - link do publikacji
  7. modelDown: automated website generator with interpretable documentation for predictive machine learning models
    Autorzy:
    Kamil Romaszko, Magda Tatarynowicz, Mateusz Urbański, and Przemysław Biecek
    Czasopismo:
    The Journal of Open Software (rok: 2019, tom: 4 (38), strony: 5), Wydawca: nie dotyczy
    Status:
    Opublikowana
    Doi:
    10.21105/joss.01444 - link do publikacji
  8. Responsible Prediction Making of COVID-19 Mortality (Student Abstract)
    Autorzy:
    Hubert Baniecki, Przemyslaw Biecek
    Czasopismo:
    The Thirty-Fifth AAAI Conference on Artificial Intelligence (AAAI-21) Student Papers and Demonstrations (rok: 2021, tom: 35 (18), strony: 15755-15756), Wydawca: Association for the Advancement of Artificial Intelligence
    Status:
    Opublikowana
    Doi:
    brak - link do publikacji
  9. pyCeterisParibus: explaining Machine Learning models with Ceteris Paribus Profiles in Python
    Autorzy:
    Michał Kuźba, Ewa Baranowska, Przemysław Biecek
    Czasopismo:
    The Journal of Open Software (rok: 2019, tom: 4 (37), strony: 7), Wydawca: nie dotyczy
    Status:
    Opublikowana
    Doi:
    10.21105/joss.01389 - link do publikacji
  1. Towards Explainable Meta-learning
    Autorzy:
    Katarzyna Woźnica, Przemysław Biecek
    Konferencja:
    ECML PKDD 2021: Warsztat Machine Learning and Principles and Practice of Knowledge Discovery in Databases (rok: 2021, ), Wydawca: Springer
    Data:
    konferencja 44452
    Status:
    Opublikowana
  2. Fooling Partial Dependence via Data Poisoning
    Autorzy:
    Hubert Baniecki , Wojciech Kretowicz, Przemyslaw Biecek
    Konferencja:
    ECML PKDD: European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (rok: 2022, ), Wydawca: Springer
    Data:
    konferencja 44823
    Status:
    Opublikowana

O Narodowym Centrum Nauki

Finansowanie nauki

Współpraca zagraniczna

Centrum prasowe

Deklaracja dostępności
Przetwarzanie danych osobowych
Polityka cookies

Partnerzy