témavezető: Hoffmann Miklós
helyszín (magyar oldal): Debreceni Egyetem Informatikai Kar helyszín rövidítés: DEIK
A kutatási téma leírása:
A gépi tanulás és alkalmazásai az informatika feltörekvő területe, számos elmélettel és algoritmussal, amelyek különféle célokra használhatók. A számítógép teljesítményének növekedése lehetővé tette a mesterséges intelligencia és a gépi tanulási technológiák széles körű alkalmazását, amelyek mindennapjaink részévé válnak, a képfelismeréstől az automatikus fordításig, a mesterséges intelligencia alapú asszisztensektől és chat-botoktól az autonóm autókig stb. Ezek közül az alkalmazások közül több is szorosan kapcsolódik a vizualizációhoz.
Sok alkalmazásban a bemeneti adatok fizikai vagy virtuális érzékelőktől származnak. Nagy mennyiségű adat feldolgozása nagy teljesítményű számítást igényel, így a lehetséges optimalizációk nagy hatással lehetnek az eredményességre. A párhuzamosítási és ensemble módszerek mind nagyobb teljesítmény elérésére, illetve mind kisebb kapacitású gépekkel is elfogadható teljesítmény elérésére használhatók. Az ensemble tanulási módszerek használatának egyik jól ismert vívmánya, hogy az egyes tanulók előrejelzéseinek kombinálásával nagyobb precíziós előrejelzés érhető el. Az együtt-tanítási és együtt-tanulási módszerek segítségével a gépi tanulási folyamat során ki lehet használni az együttműködés pozitív hatását.
Az érzékelő adatainak zaja lehet, ami befolyásolja az eredményeket. Az ensemble módszerekkel több mérés kombinálásával javítható a bemeneti adatok minősége (Kalman-szűrő, átlagolás, hibajavítás neurális hálózattal, stb.) További döntő kérdés ezeknek a tanulási módszereknek és méréseknek a vizualizálása annak érdekében, hogy az AI-alapú döntések átláthatóbbak és érthetőbbek lehessenek.
Jelen PhD téma célja, hogy további hozzájárulást nyújtson ezekhez a témákhoz, konkrétan az ensemble-alapú módszerek fejlesztéséhez a gépi tanulásban, különböző területeken történő alkalmazásához, részben a vizualizációhoz kapcsolódóan, valamint az AI megértésének elősegítéshez vizualizációs technikákon keresztül.
Irodalom
1. Yoshua Bengio, Ian J. Goodfellow, Aaron Courville: Deep Learning, MIT Press, 2015.
2. Tibor Tajti and Benedek Nagy, "Motion sensor data correction using multiple sensors and multiple measurements," 2016 IEEE 14th International Symposium on Applied Machine Intelligence and Informatics (SAMI), 2016, pp. 287-291
3. Dietterich, Thomas G.: Ensemble learning. The handbook of brain theory and neural networks 2002, MIT Press, 110-125.
4. Guedj, Benjamin; Desikan, Bhargav Srinivasa. Pycobra: A python toolbox for ensemble learning and visualisation. Journal of Machine Learning Research, 2018, 18.190: 1-5.
Jelentkezési határidő: 2022-11-15
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
