Thesis supervisor: Balázs Csanád Csáji
Location of studies (in Hungarian): Számítástudományi és Információelméleti Tanszék Abbreviation of location of studies: SZIT
Description of the research topic:
A gépi tanulási problémák egy jó részében kulcs szerepet játszik a bizonytalanság, amelynek számtalan forrása lehet, például: mérési vagy emberi hibák, hiányos ismeretek, pontatlan modellek, korlátos erőforrások, és környezeti változások. Az ilyen bizonytalanságok teszik szükségessé sztochasztikus módszerek alkalmazását. A kutatás célja mély elméleti megalapozással rendelkező statisztikus gépi tanulási algoritmusok vizsgálata, továbbfejlesztése és új módszerek kutatása, különös tekintettel a nemparametrikus (eloszlás-független) megközelítésekre.
Lehetséges témakörök:
(1) Felügyelt tanulás (például: osztályozás, regresszió, dimenziócsökkentés, változás felismerés, bizonytalanság kiértékelés, és aktív tanulás), különös tekintettel a kernel módszerekre és az idősorok-elemzésére;
(2) Szekvenciális döntési problémák (megerősítéses tanulás / Markov döntési folyamatok, és sztochasztikus többkarú rabló problémák);
(3) Adaptív algoritmusok (iteratív módszerek és sztochasztikus approximáció).
Mind elméleti (gépi tanulással kapcsolatos sztochasztikus problémák vizsgálata), mind gyakorlati (tanulási módszerek alkalmazása és továbbfejlesztése) kutatási irány lehetséges. Elengedhetetlen a legalább középfokú angol nyelvtudás, valamint fontosak a szilárd matematikai alapok (valószínűségszámítás és statisztika, többváltozós analízis, lineáris algebra, és matematikai optimalizálás).
Required language skills: angol Number of students who can be accepted: 1
Login
