Start - Rozwój Metod Sztucznej Inteligencji - Rozwój metod uczenia maszynowego

Rozwój metod uczenia maszynowego
Metody grupowania danych i analizy skupień, to jedno z podstawowych zagadnień uczenia maszynowego adresujące problem uczenia bez nadzoru. W obszarze tym główne kierunki badań to bi-klasteryzacja, czyli rozwój metod łączących problem grupowania danych z selekcją cech. Nowe algorytmy grupowania danych, w tym np. lingwistyczne grupowanie danych, umożliwiające lingwistyczne definiowanie kryteriów grupowania danych oraz poprawa już istniejących rozwiązań.
Osoby działające we wskazanym obszarze tematycznym (email: imie.nazwisko@polsl.pl):
Metody klasyfikacji i regresji, zwłaszcza metody uczenia nadzorowanego lub częściowo nadzorowanego. W obszarze tym główne wyzwania dotyczą interpretowalności podejmowania decyzji przez systemy uczące się (ang. Explainable artificial intelligence), dzięki którym wiedza wydobyta przez systemy uczące staje się zrozumiała dla człowieka. Zagadnienie to obejmuje również selekcję cech oraz metody wizualizacji wydobytej informacji. Kolejnym obszarem badawczym jest automatyzacja procesów uczenia maszynowego (ang. AutoML) w tym automatyczny dobór modelu wraz z selekcją jego parametrów, inteligentny dobór modeli do komitetu modeli predykcyjnych. Dalsze prace to rozwój już istniejących rozwiązań oraz poprawa ich skalowalności w tym nowe architektury sieci neuronowych, zwiększenie skalowalności już istniejących rozwiązań algorytmów. Ostatnim zagadnieniem jest budowa modeli predykcyjnych dla skomplikowanych i nietypowych danych w tym zagadnienia niezbalansowania danych, uczenia strumieni danych.
Automatyzacja procesu uczenia maszynowego i meta uczenie
- dr hab. Inż. Michał Kawulok, prof. PŚ (ORCID)
- dr hab. inż. Marcin Blachnik (ORCID)
- dr inż. Michał Kozielski (ORCID)
- dr inż. Daniel Kostrzewa (ORCID)
- dr inż. Jakub Nalepa (ORCID)
Wyjaśnialne i interpretowalne metody uczelnia maszynowego oraz selekcji informacji w systemach uczących się
- dr hab. inż. Marek Sikora, prof. PŚ, https://orcid.org/0000-0002-2393-9761
- dr hab. inż. Rafał Cupek, prof. PŚ, https://orcid.org/0000-0001-8479-5725
- dr hab. inż. Krzysztof Simiński, prof. PŚ, http://orcid.org/0000-0002-6118-606X
- dr hab. inż. Marcin Blachnik, https://orcid.org/0000-0003-3336-4962
- dr inż. Łukasz Wróbel, https://orcid.org/0000-0003-3573-7638
- dr inż. Adam Gudyś, https://orcid.org/0000-0002-5508-0090
- dr inż. Urszula Stańczyk, https://orcid.org/0000-0002-5071-7187
- dr inż. Sebastian Porębski, https://orcid.org/0000-0001-9926-4265
Nowe architektury sieci neuronowych i nowe algorytmy predykcyjne
- dr hab. inż. Michał Kawulok, prof. PŚ, https://orcid.org/0000-0002-3669-5110
- dr inż. Jakub Nalepa, https://orcid.org/0000-0002-4026-1569
- dr inż. Daniel Kostrzewa, https://orcid.org/0000-0003-2781-3709
- dr hab. inż. Sławomir Golak, prof. PŚ, http://orcid.org/0000-0002-9325-3407
Budowa systemów uczących się dla niestandardowych zestawów danych
- dr inż. Małgorzata Bach, https://orcid.org/0000-0002-6239-7790
- dr inż. Aleksandra Werner, https://orcid.org/0000-0001-6098-0088
- dr inż. Michał Kozielski, https://orcid.org/0000-0003-3573-7638