O nas

W Zakładzie Uczenia Maszynowego zajmujemy się badaniami i rozwijaniem zarówno podstaw uczenia maszynowego, jak i innych poddziedzin sztucznej inteligencji oraz ich różnych zastosowań. Nasz zakład jest zorganizowany wokół dwóch głównych kierunków: pierwszy dotyczy zespołów badawczych (struktura organizacyjna, która jest definiowana na nowo w miarę rozwoju grupy), a drugi dotyczy projektów badawczych (gdzie chcemy zgromadzić różnych badaczy zmotywowanych określonym tematem badawczym i bieżącymi projektami lub grantami).

Nasze główne zainteresowania badawcze i osiągnięcia obejmują:

• Uczenie maszynowe i eksplorację danych

• Neuro-symboliczną sztuczną inteligencję i rozpoznawanie obrazów

• Sztuczną inteligencję godną zaufoania (ang. Trustworthy AI) i wyjaśnianie modeli uczenia maszynowego

• Głębokie uczenie się w przetwarzaniu języka naturalnego oraz obrazów

• Modelowanie adaptacyjnych i złożonych systemów

• Systemy wieloagentowe: modelowanie, symulacja i optymalizacja

• Systemy Edge AI, generatory kwantowe i obliczenia neuronowe z sieciami impulsowymi

• Heurystyki i dokładne metody optymalizacji

Więcej szczegółów dotyczących badań znajduje się pod pozycją Badania w głównym menu tej strony.

Laboratorium kieruje prof. Jerzy Stefanowski.

Strona zakładu

Badania

Badania prowadzone przez członków zakładu są związane z poniżej wymienionymi zagadnieniami.

Uczenie maszynowe i eksploracja danych

• Przyrostowe uczenie modeli predykcyjnych z zmiennych strumieni danych z dryftem pojęć

• Poprawa klasyfikacji danych o niezbalansowanych klasach

• Integracja wiedzy symbolicznej i sieci neuronowych

• Zastosowanie metod uczenia maszynowego i eksploracji danych w danych biomedycznych

• Głównie wspieranie decyzji diagnostycznych i terapeutycznych, obrazowania medycznego

• Uczenie ze złożonych danych

• Uczenie online złożonych reprezentacji wiedzy z danych

• Złożone reprezentacje przykładów i strukturalne wyjścia systemów

• Eksploracja tekstów i przetwarzanie języka naturalnego

Wiarygodna sztuczna inteligencja (ang. Trustworthy AI) i wyjaśnianie modeli uczenia maszynowego

(Badanie, projektowanie i rozwój jednolitej metodologii dla interpretowalnych systemów uczenia maszynowego, zwłaszcza w obszarach, gdzie bliska interakcja między ludźmi a technologią jest istotna).

• Nowe architektury uczenia się

• Kryteria oceny takich systemów

• Modelowanie preferencji i uczenie się preferencji z przykładów

• Percepcja i uwzględnianie roli czowieka w systemach uczących

• Automatyczna wizualizacja

• Nowe sposoby interakcji z użytkownikami/ludźmi

• Odpowiedzialna sztuczna inteligencja i bezstronne podejmowanie decyzji

Inne obszary badawcze

• Process mining – analiza zapisów zdarzeń dla modelowania procesów

• Algorytmy dokładnej i heurystycznej optymalizacji

• Impulsowe sieci neuronowe i analiza sygnałów

• Algorytmy uczenia impulsownych sieci neuronowych i ich zastosowania w przetwarzaniu brzegowym (ang. edge computing)

• Głębokie uczenie w przetwarzaniu języka naturalnego

• Uczenie neurosymboliczne i wnioskowanie w takich systemach

• Systemy wieloagentowe, robotyka ewolucyjna, symulacje biologiczne, sztuczne życie

• Optymalizacja topologii sieci neuronowych dla sterowania w czasie rzeczywistym

• Wielokryterialna analiza i wspomaganie decyzji