English
Magyar
Rendszeralapú oksági modellek felskálázható ensemble tanulása genomi adatokon
 docens
Szoba: E435
Tel.:
+36 1 463-2677 Email: antal (*) mit * bme * hu |
A kiírás adatai
A folytonos optimalizáció alapú valószínűségi gráfos modellek tanulási eljárásai, mint a GLASSO vagy NOTEARS megközelítések nagy dimenziójú adatokra történő felskálázást tesznek lehetővé. A megtanult modellek robusztussága újramintavételezési eljárásokkal jellemezhető, mint például a bootstrap. Az alkalmazási terület génszabályozási hálózatok felderítése öregedéskutatás és neurodegeneráció területén.
A téma az emberközpontú MI kiegészítő mesterképzés (HCAIM) hallgatóinak kifejezetten ajánljott, mivel a feladat kiterjedhet a mesterséges intelligencia alkalmazásának társadalmi és személyi (etikai, erkölcsi, jogi, biztonsági, megbízhatósági, értelmezhetőségi, esélyegyenlőségi stb.) szempontjaira is. Részletek: https://hcaim.bme.hu/en/msc-bme/