témavezető: Csáji Balázs Csanád
helyszín (magyar oldal): Számítástechnikai és Automatizálási Kutatóintézet, Magyar Tudományos Akadémia helyszín rövidítés: MTA
A kutatási téma leírása:
A gépi tanulás az informatika egyik dinamikusan fejlődő ága, amelynek eredményeit számos helyen alkalmazzák a gyakorlatban, a hagyományosan szoftvertechnológiai területektől (pl., spam szűrés, hálózati forgalomirányítás, intelligens ajánlórendszerek) a közgazdasági, orvosi és mérnöki alkalmazásokig (pl., tőzsdei folyamatok előrejelzése, orvosi diagnózisok, intelligens gyártás).
A gépi tanulásban előkerülő problémák egy jó részében kulcs szerepet játszik a bizonytalanság, amelynek számtalan forrása lehet, például: mérési vagy emberi hibák, hiányos ismeretek, pontatlan modellek, korlátos erőforrások, környezeti változások és a rendszer dinamikája. Az ilyen bizonytalanságok teszik szükségessé statisztikai megközelítések alkalmazását. A kutatás célja mély matematikai megalapozással rendelkező statisztikus gépi tanulási módszerek (elméleti és gyakorlati pl. szimulációs) vizsgálata, továbbfejlesztése és új módszerek kutatása.
Néhány alapvető kérdés a következő: hogyan építhetünk (statikus vagy dinamikus) modelleket (tipikusan zajos, hiányos) megfigyelések alapján; hogyan mérjük modelljeink megbízhatóságát; hogyan ismerjük fel, ha a rendszer megváltozott; hogy használhatjuk ezen modelleket hatékony döntések meghozatalára; hogyan frissítsük rekurzívan a modellünket újabb tapasztalatok alapján; hogyan jelezzük előre a modellezett rendszer viselkedését; hogyan tudunk minél kevesebb statisztikai feltevés mellett minél jobb garanciákat adni a tanuló algoritmusunk hatékonyságára; hogyan tudjuk úgy befolyásolni a rendszert, hogy az minél több információval szolgáljon a tanulás számára; hogyan hozzuk egyensúlyba a rendszer feltérképezésére és a tanultak kihasználására vonatkozó viselkedést; valamint hogyan lehet különböző módszereket hatékonyan kombinálni.
Kulcsszavak: adaptív algoritmusok, megerősítéses tanulás, valószínűleg közelítőleg helyes tanulás, osztályozás és regresszió (kernel módszerek, mély tanulás, együttes tanulás), aktív tanulás
előírt nyelvtudás: Angol további elvárások: Valószínűségszámítási és statisztikai alapismeretek, ajánlott Matlab és/vagy Python tudás
felvehető hallgatók száma: 2
Jelentkezési határidő: 2018-05-31
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).