xai-tools

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ - ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ - ΤΜΗΜΑ ΨΗΦΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ
ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ: Συγκριτική ανάλυση εργαλείων επεξήγησης τεχνητής νοημοσύνης (AI Explainability)

Περιγραφή

Στο παρόν repository βρίσκονται όλα τα δεδομένα και ο κώδικας που αφορά την επεξεργασία των δεδομένων, την υλοποίηση, εκπαίδευση και αξιολόγηση των νευρωνικών δικτύων, καθώς και την εφαρμογή των σχετικών εργαλείων επεξήγησης, που έχουν εφαρμοστεί κατά την διάρκεια της παρούσας πτυχιακής εργασίας.

Τεχνολογίες & Εργαλεία

Δομή Αρχείων Repository

ΠΕΔΙΟ ΕΦΑΡΜΟΓΗΣ 1: ΔΟΜΗ ΑΡΧΕΙΩΝ reviewsNN

reviewsNN
├── NN-Project
│   ├── IMDB Dataset.csv            : Δεδομένα του Πεδίου Εφαρμογής 1 (NLP) 
│   ├── preprocessPart1.ipynb       : Επεξεργασία δεδομένων & παραγωγή νέου αρχείου με τα δεδομένα 
│   ├── preprocessedData.xls        : Επεξεργασμένα δεδομένα από το αρχείο preprocessPart1 
│   ├── preprocessPart2.ipynb       : Μετατροπη δεδομένων σε TF-IDF μορφή & δημιουργία/εκπαίδευση μοντέλου 
│   ├── my_model.h5                 : Το μοντέλο ενδιαφέροντος (νευρωνικό δίκτυο) 
│   ├── ClassificationRuntime.ipynb : Αρχείο μέτρησης του χρόνου(runtime) της κατηγοριοποίησης του ΝΔ 
│   └── NNPrediction                : Αρχείο με παράδειγμα πρόβλεψης 
└── IMDB Classifier
    ├── imdb_classifier.ipynb       : Χρήση εργαλείου επεξήγησης LIME 
    ├── imdb_classifier_shap.ipynb  : Χρήση εργαλείου επεξήγησης SHAP 
    └── my_model.h5                 : Το μοντέλο ενδιαφέροντος (νευρωνικό δίκτυο) 

ΠΕΔΙΟ ΕΦΑΡΜΟΓΗΣ 2: ΔΟΜΗ ΑΡΧΕΙΩΝ skinCancer

skinCancer
└── data
   ├── test                                    : Δεδομένα ελέγχου (test dataset) https://www.kaggle.com/code/fanconic/cnn-for-skin-cancer-detection/notebook
   ├── train                                   : Δεδομένα εκπαίδευδης (training dataset) https://www.kaggle.com/code/fanconic/cnn-for-skin-cancer-detection/notebook
└── models
   │   ├── model.h5
   │   ├── model.json
   │   ├── resnet50.h5                         : Το μοντέλο ενδιαφέροντος που χρησιμοποιήθηκε στην εργασία
   │   └── resnet50.json                       : Το μοντέλο ενδιαφέροντος που χρησιμοποιήθηκε στην εργασία
   └── code
       ├── cnn-for-skin-cancer-detection.ipynb : Δεδομένα και δημιουργία/εκπαίδευση μοντέλου
       ├── img_classification_lime.ipynb       : Χρήση εργαλείου επεξήγησης LIME
       ├── img_classification_shap.ipynb       : Χρήση εργαλείου επεξήγησης SHAP
       ├── save_arr_to_npy_files.ipynb
       ├── Untitled.ipynb
       ├── X_test.npy
       ├── X_train.npy
       ├── y_test.npy
       └── y_train.npy