témavezető: Hajdu András
helyszín (magyar oldal): Debreceni Egyetem Informatikai Kar helyszín rövidítés: DE IK
A kutatási téma leírása:
Doktori téma leírása
A kutatás célja korszerű dedikált gépi tanulómodellek tervezése és célfeladatra történő optimalizációja. A téma fő motivációja, hogy az utóbbi években számos gépi tanuló architektúra terjedt került kidolgozásra és terjedt el, viszont ezek az univerzálisan nagyon hatékony modellek nem feltétlenül optimálisak egyes alkalmazásokban. A legjellemzőbb példa talán a mély konvolúciós neurális hálók esete, ahol a népszerű hálók betanítása természetes képeken történik, viszont adott alkalmazásban az osztályozáshoz szükséges struktúrák egyszerűbbek vagy bonyolultabbak a tanításhoz használt mintázatokhoz képest. A cél tehát olyan architektúrák tervezése, amelyek mélységükben jobban igazodnak az adott problémához például az ott felhasználható sajátságok szemantikai struktúrájának mélységét tekintve. A sikeres tervezéshez szükséges a fontos struktúrák előzetes modellezése, akár már kész tanulóstruktúrák eredményéből kiindulva. A kutatás célterülete elsősorban képi információt használva a molekulatervezés, orvosi döntéstámogatás és nagy mennyiségű adatfeldolgozás.
Irodalom
1. Yoshua Bengio, Ian J. Goodfellow, Aaron Courville: Deep Learning, MIT Press, 2015.
2. Tariq Rashid: Make Your Own Neural Network (1st ed.). CreateSpace Independent Publishing Platform, USA, 2016.
3. Terrence J. Sejnowski: The Deep Learning Revolution, The MIT Press, 2018.
4. Suvrit Sra, Sebastian Nowozin, and Stephen J. Wright: Optimization for Machine Learning, The MIT Press, 2011.
Jelentkezési határidő: 2021-11-15
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).
Bejelentkezés
