English
Magyar
Tudományos felfedező rendszerek: hiányos adatok kezelése és aktív tanulás Bayes hálókkal
 docens
Szoba: E435
Tel.:
+36 1 463-2677 Email: antal (*) mit * bme * hu |
A kiírás adatai
A teljes eloszlás modellek, mint például a valószínűségi gráfos modellek lehetőséget adnak a hiányos adatoknak mind a normatív kezelésére és mind a kiegészítésére egy aktív tanulási keretben akár az adatok, akár a modellre is vonatkozik a következtetés. Az oksági Bayes-hálózatok további előnye, hogy beavatkozásokat is képesek kezelni, illetve értelmezhetőségük miatt a tudományos felfedezés ciklusába is természetes módon kapcsolhatóak be. Az önálló munka célja hatékony aktív tanulási eljárások kifejlesztése.
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/