Thesis supervisor: Balázs Csanád Csáji
Location of studies (in Hungarian): SZTAKI: Számítástechnikai és Automatizálási Kutatóintézet Abbreviation of location of studies: SZTAK
Description of the research topic:
A statisztikus tanuláselmélet a gépi tanulás egyik fontos ága, amelyben különböző statisztikai feltevéseket teszünk a megfigyeléseket generáló rendszerről, hogy jobban megértsük a tanulási mechanizmusokat és, hogy erős (lehetőleg eloszlás-független, nem-aszimptotikus) sztochasztikus garanciákkal rendelkező algoritmusokat tervezzünk. A terület mind felügyelt- (pl., osztályozás és regresszió), mind önszervező- (pl., klaszterezés és anomália detektálás) tanulási módszerekkel foglalkozik; és gyakran valószínűleg közelítőleg helyes (PAC) típusú garanciákkal rendelkező módszerek megalkotását tűzi ki célul. Az egyik legfontosabb probléma, hogy a modellek általánosítóképességére adjunk garanciákat: mennyire lesz egy véges minta alapján becsült modell eredményes új, eddig nem látott megfigyelések esetén? A kernel módszerek – például a szupport vektor gépek – a terület alapvető eszközei. Matematikai megalapozásukat a reprodukáló magú Hilbert terek (RKHS) képezik, és a rájuk épülő tanulási módszerek gyakran vezetnek (bizonytalan) konvex optimalizálási feladatokhoz. Egy lehetséges kutatási irány a bizonytalan (nemlineáris) optimalizálással, valamint a bootstrap- és Monte Carlo módszerekkel kapcsolatos friss eredmények vizsgálata és alkalmazása a statisztikus tanuláselmélet problémáira. Egy másik lehetséges irány a (feltételes) eloszlások RKHS-ekbe ágyazása, amely például az oksági következtetések és a változás felismerés szempontjából vezethet új eredményekre. Egy harmadik problémakör, hogy hogyan tanulhatunk korábbi tanulási feladatok tapasztalataiból (meta-tanulás), vagyis hogyan és mennyiben használhatjuk fel a korábbi problémákon megtanultakat „hasonló” problémák megoldására.
Required language skills: angol Further requirements: Szilárd valószínűségszámítási és statisztikai alapismeretek, ajánlott Matlab és/vagy Python tudás.
Number of students who can be accepted: 2
Deadline for application: 2024-05-31
2024. IV. 17. ODT ülés Az ODT következő ülésére 2024. június 14-én, pénteken 10.00 órakor kerül sor a Semmelweis Egyetem Szenátusi termében (Bp. Üllői út 26. I. emelet).
Login
