Seminarium naukowe Instytutu Informatyki Uniwersytetu Śląskiego i Instytutu Informatyki Uniwersytetu Rzeszowskiego
Rok akademicki: 2024 / 2025, semestr zimowy
Miejsce: platforma Teams
Prowadzący seminarium (UŚ): dr hab. Beata Zielosko, prof. UŚ, dr hab. Agnieszka Nowak-Brzezińska, prof. UŚ
Prowadzący seminarium (UR): dr hab. Urszula Bentkowska, prof. UR, dr Paweł Drygaś
Idea seminarium: Wymiana doświadczeń naukowo-badawczych, budowanie kontaktów naukowych.
Harmonogram seminarium:
Wykład 1
Organizator: UR
Termin: 15.10.2024
Autor referatu: dr inż. Piotr Lasek
Temat: Employing Aggregations of Fuzzy Equivalences in Clustering Algorithms
Streszczenie: In our recent work we proposed an approach to the k-means clustering algorithm incorporating a variety of fuzzy equivalences and aggregation techniques. Central to this approach is the use of fuzzy equivalences, which serve as an alternative to standard distance metrics, with the goal of improving the clustering process. The modified k-means algorithm employs these fuzzy equivalences to better determine the similarity between the data points, particularly in situations where the nearest points may not adequately represent closeness within the data set. To assess the clustering results, we employed a variation of the silhouette coefficient tailored to our method. Additionally, we will present theoretical insights into the behavior and benefits of using composition of aggregations and fuzzy equivalences in clustering.
Wykład 2
Organizator: UŚ
Termin: 26.11.2024
Autor referatu: Dr Krzysztof Wróbel
Temat: Metoda identyfikacji osób wykorzystująca odciski czerwieni wargowej
Streszczenie: W referacie omówiona zostanie metoda identyfikacji osób oparta na analizie odcisków czerwieni wargowej, znanej jako cheiloskopia. Jest to technika wykorzystywana w kryminalistyce, która pozwala na identyfikację jednostek na podstawie unikalnych cech wzoru linii znajdujących się na powierzchni warg. Przedstawione zostaną etapy pre-processingu obrazu odcisku ust, takie jak filtracja i segmentacja, mające na celu poprawę jakości obrazu oraz przygotowanie go do dalszej analizy. Kluczowym elementem będzie ekstrakcja cech charakterystycznych odcisków, w tym struktur linii wargowych,które stanowią podstawę do procesu klasyfikacji.
Omówione zostaną również techniki klasyfikacyjne wykorzystywane w analizie, takie jak metody oparte na sztucznej inteligencji, które pomagają w automatyzacji procesu identyfikacji. Dodatkowo, poruszony zostanie problem odcisków niekompletnych, które mogą stanowić wyzwanie w analizie, a także sposoby radzenia sobie z tego typu przypadkami.
Wykład 3
Organizator: UR
Termin: 7.01.2025
Autor referatu: dr hab. inż. Teresa Mroczek, dr inż. Łukasz Piątek
Temat: Analiza i klasyfikacja obrazów zmian melanocytowych skóry
Streszczenie: Według portalu WorldLifeExpectancy prawie 100 tys. ludzi na świecie umiera każdego roku z powodu nowotworów skóry, większość z tej liczby z powodu czerniaka złośliwego. Czerniak charakteryzuje się szybkim wzrostem, łatwym tworzeniem przerzutów oraz powoduje dużą śmiertelność chorych, jeżeli nie zostanie wcześnie zdiagnozowany. Wcześnie czyli już na etapie wizyty u lekarza rodzinnego. Dlatego opracowaliśmy specjalizowane algorytmy do automatycznego rozpoznawanie raka skóry na podstawie obrazów mikroskopii oraz zobrazowań z tomografu multifotonowego. Naszym celem jest dedykowany system – DigiSkinDia – który umożliwi obiektywną i dokładną diagnostykę.
Wykład 4
Organizator: UŚ
Termin: 21.01.2025
Autor referatu: mgr Evans Teiko Tetteh (kooperacja dr hab. Beata Zielosko)
Temat: Learning Decision Rules from Set of Decision Trees
Streszczenie: The presentation concerns the issue of induction of decision rules
from distributed data, i.e., problems of learning general and
inner decision rules from a set of decision trees. Inner rules refer to the paths
within decision trees from the root to terminal nodes, while general rules
are arbitrary rules derived from attributes found in the set of decision trees.
The author will present heuristics for these problems and experimental results related to classification and knowledge representation.
Wykład 5
Organizator: UŚ
Termin: 18.02.2025
Autor referatu: mgr Kwabena Frimpong Marfo (kooperacja dr hab. Małgorzata Przybyła-Kasperek)
Temat: Classification based on dispersed data with deep learning issues
Streszczenie: As big data continues to grow, independent systems within specialized domains generate vast amounts of siloed data. Integrating these dispersed data sources into predictive models can unlock powerful improvements in model generalization, but doing so requires overcoming inconsistencies and privacy-related challenges. Talk delves into the use of deep learning techniques to address classification problems involving dispersed data. By leveraging neural networks’ ability to approximate functions and handle complex relationships, research proposes methods that obtain high quality for dispersed data. Specifically, we introduce a system that generates prediction vectors from each independent data source. Additionally, we explore constructing a global model using a linear combination of models from individual data tables, enabling aggregation across diverse structures. This approach allows for effective dispersed data collaboration.
Rok akademicki: 2023 / 2024, semestr letni
Miejsce: platforma Teams
Prowadzący seminarium (UŚ): dr hab. Beata Zielosko, prof. UŚ, dr hab. Agnieszka Nowak-Brzezińska, prof. UŚ
Prowadzący seminarium (UR): dr hab. Urszula Bentkowska, prof. UR, dr Paweł Drygaś
Idea seminarium: Wymiana doświadczeń naukowo-badawczych, budowanie kontaktów naukowych.
Harmonogram seminarium:
Wykład 1
Organizator: UŚ
Termin: 27.02.2024
Autor referatu: mgr Grzegorz Moś
Temat: Klasyfikacja wielodecyzyjna oparta o modelowanie przedziałowe w przypadku zbiorów danych mikromacierzowych
Streszczenie: Struktury o kształcie opartym na siatce heksagonów spotykamy w wielu dziedzinach naukowych. Agregujemy takie obiekty z użyciem medoidu i centroidu wykorzystując innowacyjne metryki dla ciągów binarnych reprezentujących te struktury. Otrzymane metody znajdują zastosowanie między innymi w problemach związanych z wiedzą rozproszoną, gdzie analizujemy ścieżki uczestników w kontekście reprezentacji świata poprzez siatkę heksagonów.
Wykład 2
Organizator: UR
Termin: 26.03.2024
Autor referatu: dr Zofia Matusiewicz
Temat: Rozmyte zbiory zbalansowane
Streszczenie: Koncepcja zrównoważonych zbiorów rozmytych stanowi rozwinięcie teorii zbiorów rozmytych, umożliwiając jednoczesną analizę informacji pozytywnych i negatywnych.
W zbiorach klasycznych funkcja przynależności jest dwuwartościowa. Jednak obserwacje dotyczące ludzkiego postrzegania rzeczywistości pokazują, że ludzkie oceny dotyczące przynależności do zbioru bywają niepewne i nieprecyzyjne. W wyniku tej obserwacji wprowadzono pojęcie zbiorów rozmytych, gdzie wartości funkcji przynależności do zbioru należą do przedziału [0, 1]. Upraszczając, wartości z przedziału (0, 1] oznaczają stopień przynależności do zbioru, podczas gdy 0 oznacza brak przynależności do zbioru. Niemniej jednak ludzie myślą dwutorowo: w jakim stopniu coś spełnia kryteria przynależności do zbioru oraz w jakim stopniu coś nie spełnia ludzkich wymagań. Rezultatem tych obserwacji jest powstanie dwóch typów zbiorów: intuitionistyczne zbiory rozmyte oraz zbalansowane zbiory rozmyte. Tematem tego wystąpienia są zbalansowane zbiory rozmyte. Przedstawione zostaną fundamentalne założenia tych zbiorów oraz podstawowe operatory na tych zbiorach.
Wykład 3
Organizator: UŚ
Termin: 30.04.2024
Autor referatu: mgr inż. Czesław Horyń
Temat: Identyfikacja anomalii w dziedzinowych zbiorach danych złożonych
Streszczenie: Prezentowane badania koncentrują się na identyfikacji anomalii w danych kategorycznych i mieszanych, kluczowych dla analizy i modelowania predykcyjnego, znajdując zastosowanie w wielu dziedzinach, takich jak finanse czy medycyna. Stawiają one unikalne wyzwania w porównaniu do analizy danych numerycznych, wprowadzają innowacyjne techniki optymalizacji, takie jak dostosowanie „rozmiaru bloku”, mające na celu podniesienie efektywności algorytmu LOF. Głównym celem jest ocena skuteczności i wydajności algorytmów LOF, SOM i Autoenkodera w wykrywaniu anomalii w danych kategorycznych. Poprzez analizę różnych metod algorytmicznych, badania te oferują cenne wsparcie analitykom danych kategorycznych w poszukiwaniu wzorców anomalii i poprawiają zrozumienie procesu ich wykrywania.
W dniu 28 maja 2024 planowane jest Seminarium UŚ-UR w formie stacjonarnej.
Miejscem spotkania będzie Instytut Informatyki Uniwersytetu Śląskiego
Harmonogram spotkania zostanie podany w najbliższym czasie.
Rok akademicki: 2023 / 2024, semestr zimowy
Miejsce: platforma Teams
Prowadzący seminarium (UŚ): dr hab. Beata Zielosko, prof. UŚ, dr hab. Agnieszka Nowak-Brzezińska, prof. UŚ
Prowadzący seminarium (UR): dr hab. Urszula Bentkowska, prof. UR, dr Paweł Drygaś
Idea seminarium: Wymiana doświadczeń naukowo-badawczych, budowanie kontaktów naukowych.
Harmonogram seminarium:
Wykład 1
Organizator: UR
Termin: 14.11.2023
Autor referatu: dr hab. Urszula Bentkowska prof. UR (współautorzy: mgr inż. Wojciech Gałka, mgr inż. Marcin Mrukowicz, mgr inż. Aleksander Wojtowicz)
Temat: Klasyfikacja wielodecyzyjna oparta o modelowanie przedziałowe w przypadku zbiorów danych mikromacierzowych
Streszczenie: Zaproponowany algorytm klasyfikacji wielodecyzyjnej wykorzystuje modelowanie przedziałowe polegające na tworzeniu tzw. przedziałów niepewności dla wyników predykcji uzyskanych przez klasyfikator k-NN (dla różnych wartości k). Następnie tak uzyskane przedziały są łączone za pomocą agregacji o wartościach przedziałowych. Ponadto stosowane są porządki pomiędzy przedziałami dla wyznaczenia ostatecznego wyniku klasyfikacji. Algorytm dedykowany jest zbiorom danych o dużej liczbie atrybutów warunkowych, jakimi mogą być przykładowo dane mikromacierzowe.
Wykład 2
Organizator: UŚ
Termin: 28.11.2023
Autor referatu: dr Przemysław Kudłacik
Temat: Hybrydowy system neuronowo-rozmyty w klasyfikacji danych Networks
Streszczenie: Zbiory rozmyte pozwalają tworzyć względnie nieskomplikowane klasyfikatory regułowe o dobrej efektywności przy zachowaniu bardzo intuicyjnej postaci reguł. Ich bezsprzeczną zaletą jest szybki proces uczenia(przygotowania), modyfikacji(aktualizacji).
Z drugiej strony, najlepsze rezultaty często uzyskuje się w oparciu o systemy wykorzystujące sztuczne sieci neuronowe. Niestety proces ich uczenia oraz aktualizacji nie jest trywialny, a co za tym idzie, efektywny czasowo. W ramach prelekcji zastanie zaprezentowany system hybrydowy, który stara się połączyć cechy obydwu podejść.
Wykład 3
Organizator: UR
Termin: 12.12.2023
Autor referatu: mgr inż. Marcin Mrukowicz (kooperacja: dr hab. Urszula Bentkowska prof. UR)
Temat: Optymalizacja parametrów agregacji w klasyfikacji zbiorów danych z brakującymi wartościami
Streszczenie: Badany klasyfikator dedykowany jest zbiorom danych z brakującymi wartościami.
Model ten oparty jest na metodzie ensemblingu, gdzie wyjście otrzymane dla poszczególnych klasyfikatorów binarnych jest łączone za pomocą sparametryzowanej rodziny agregacji. Znalezienie optymalnego zestawu parametrów agregacji dla danego zbioru uczącego (i ogólnie problemu) pozwala na zwiększenie jakości działania klasyfikatora.
Wykład 4
Organizator: UR
Termin: 23.01.2024
Autor referatu: mgr Marcin Cholewa
Temat: Automatyczna refaktoryzacja kodu źródłowego
Streszczenie: Prezentacja metody automatycznej refaktoryzacji kodu, która jest kontrolowana przy pomocy metryk kodu źródłowego i automatu komórkowego. Każda metryka wykorzystywana w metodzie jest oparta na entropii informacji, ponieważ bierze pod uwagę rozmieszczenie znaków w kodzie źródłowym i ich wzajemnego sąsiedztwa. Przy pomocy rozmieszczenia znaków można określić jednoznacznie cechy kodu źródłowego, do których będzie dążyć modyfikowany kod. Automat komórkowy na podstawie wskazań metryki będzie wykonywać modyfikacje kodu źródłowego.
Rok akademicki: 2022 / 2023, semestr letni
Miejsce: platforma Teams
Prowadzący seminarium (UŚ): dr hab. Beata Zielosko, prof. UŚ, dr hab. Agnieszka Nowak-Brzezińska, prof. UŚ
Prowadzący seminarium (UR): dr hab. Urszula Bentkowska, prof. UR, dr Paweł Drygaś
Idea seminarium: Wymiana doświadczeń naukowo-badawczych, budowanie kontaktów naukowych.
Harmonogram seminarium:
Wykład 1
Organizator: UR
Termin: 7.03.2023
Autor referatu: mgr inż. Jaromir Sarzyński (kooperacja dr hab. inż. Krzysztof Pancerz)
Temat: Przybliżone grafy przepływu w oprogramowaniu CLAPSS
Streszczenie: Classification and Prediction Software System (CLAPSS) jest oprogramowaniem, w którym m.in. zaimplementowano specjalizowane podejścia analizy danych oparte o teorię zbiorów rozmytych i teorię zbiorów przybliżonych. Oprogramowanie stworzone zostało w narzędziach języka Java i posiada graficzny interfejs użytkownika. Jedną z ostatnich funkcjonalności dodanych do oprogramowania CLAPSS jest możliwość wykorzystania grafów przepływu Pawlaka tworzonych nad grafami ontologicznymi w celu modelowania zależności temporalnych, w tym np. wnioskowania. W referacie przedstawione zostaną możliwości oprogramowania, zarówno w zakresie realizowanych obliczeń pewności ścieżek w grafach przepływu Pawlaka nad grafami ontologicznymi jak i w zakresie wizualizacji tych grafów.
Wykład 2
Organizator: UŚ
Termin: 21.03.2023
Autor referatu: Prof. Mikhail Moshkov
Temat: Decision Trees for Fault Diagnosis in Circuits and Switching Networks
Streszczenie: We study theoretical problems of fault diagnosis in circuits and switching networks, which are among the most fundamental models for computing Boolean functions. We investigate two main cases: when the scheme (circuit or switching network) has the same mode of operation for both calculation and diagnostics, and when the scheme has two modes of operation — normal for calculation and special for diagnostics. In the former case, we get mostly negative results, including superpolynomial lower bounds on the minimum depth of diagnostic decision trees depending on scheme complexity and the NP-hardness of construction diagnostic decision trees. In the latter case, we describe classes of schemes and types of faults for which decision trees can be effectively used to diagnose schemes, when they are transformed into so-called iteration-free schemes.
Wykład 3
Organizator: UR
Termin: 4.04.2023
Autor referatu: mgr inż. Ewa Żesławska (kooperacja prof. dr hab. inż. Ewa Dudek-Dyduch, dr Zbigniew Gomółka)
Temat: Wykorzystanie technologii ALMM do zadań optymalizacji dyskretnych procesów produkcyjnych
Streszczenie: Zastosowanie modelowania matematycznego rzeczywistych procesów produkcyjnych z wykorzystaniem technologii ALMM pozwala na skonstruowanie inteligentnych algorytmów, które zapewniają otrzymanie rozwiązań optymalnych lub dopuszczanych w danym systemie. Głównym celem proponowanych badań jest opracowanie nowoczesnej technologii optymalizującej planowania dyskretnych procesów produkcyjnych w warunkach dynamicznie zmieniających się zasobów systemu. Proponowana technologia ALMM umożliwi optymalizację dyskretnych procesów produkcyjnych uwzględniając wszystkie ograniczenia czasowe w nich występujące oraz wszystkie dynamicznie pojawiające się zakłócenia, które zostały uwzględnione w modelu.
Wykład 4
Organizator: UR
Termin: 9.05.2023
Autor referatu: mgr inż. Dawid Kosior (kooperacja dr hab. Barbara Pękala)
Temat: Modelowanie wielokryterialnych systemów decyzyjnych z wykorzystaniem miar uwzględniających niepewność
Streszczenie:Miary uwzględniające niepewność są niezwykle ważne w procesach modelowania systemów bazujących na danych obarczonych nieprecyzyjnością lub brakami wartości. Znajdują one efektywne zastosowanie w tworzeniu ww. systemów, w szczególności przy wspomaganiu podejmowania decyzji w diagnostyce medycznej. W referacie zostanie przedstawiony potencjał przedziałowo-rozmytych miar przez ich optymalne zastosowanie w wybranych aspektach procesów wielokryterialnego podejmowania decyzji.
Wykład 5
Organizator: UŚ
Termin: 23.05.2023
Autor referatu: dr Miłosław Chodacki
Temat: Ewolucyjne projektowanie samotestowania układów cyfrowych
Streszczenie: Testowanie układów cyfrowych jest zadaniem trudnym, w szczególności układów o wielkim stopniu scalenia VLSI (Very Large Scale Integration). Wraz ze wzrostem stopnia scalenia układu jego testowalność (Testability) maleje. Skuteczny test diagnostyczny powinien umożliwić pokrycie uszkodzeń na akceptowalnym, odpowiednio wysokim poziomie. W testowaniu układów sekwencyjnych, w odróżnieniu od testowania układów kombinacyjnych, istotną rolę odgrywa nie tyle konkretny zbiór wektorów testowych, co ich uporządkowanie, a więc postać sekwencji testującej. Dobór takiej sekwencji jest trudny, a co za tym idzie również dobór samego generatora testów – może być realizowany jako problem optymalizacji wielokryterialnej.
Generatory testów TPG (Test Pattern Generator), oparte na rejestrach w ze sprzężeniem liniowym, wytwarzają sekwencję wektorów testowych o oczekiwanych właściwościach pseudolosowych, które zapewniają wysokie pokrycie uszkodzeń. Ocena projektu układu generatora wymaga czasochłonnej symulacji komputerowej generatora TPG i układu testowanego CUT (Circuit Under Test). W referacie zostaną przedstawione wyniki badań dotyczące zastosowania nieliniowego generatora testów w sytuacji, kiedy testowany układ logiczny staje się sprzężeniem zwrotnym generatora (Autonomous Test Structure). Z wielu przyczyn, o których będzie traktować referat, do projektowania, logiki układowej nieliniowego generatora testów zastosowano podejście ewolucyjne. Przeprowadzone badania symulacyjne, w porównaniu do innych metod projektowych, wykazują słuszność zastosowanego podejścia potwierdzoną skutecznością testowania.
Wykład 6
Organizator: UŚ
Termin: 6.06.2023
Autor referatu: mgr Marcin Lewandowski
Temat: Algorytmy dynamicznej selekcji węzła nadrzędnego w celu wydłużania czasu życia bezprzewodowej sieci sensorowej
Streszczenie: Zadania węzłów w bezprzewodowych sieciach sensorowych obejmują lokalne przetwarzanie danych z czujników, podejmowanie decyzji i rozpoznawanie istotnych zdarzeń przed przesłaniem informacji do innych węzłów. Zwykle węzły sensorowe są zasilane z wbudowanego akumulatora o ograniczonej pojemności. Z tego powodu ważne jest wprowadzanie rozwiązań umożliwiających oszczędzanie energii i zapewniających długi czas pracy węzłów. Czas, w którym węzły dysponują odpowiednimi zasobami energii aby sieć sensorowa mogła działać prawidłowo, jest określany jako czas życia sieci. Definicja czasu życia sieci może być jednak różna w zależności od konkretnego zastosowania i topologii sieci. Istnieje wiele technik, które pozwalają na wydłużenie czasu życia sieci sensorowej. Jedną z takich technik jest grupowanie węzłów w klastry. Konsekwencją klasteryzacji sieci jest potrzeba wyłonienia węzłów nadrzędnych (ang. cluster heads) oraz podrzędnych (ang. cluster members). Węzeł nadrzędny, ze względu na realizowane dodatkowe działania, wyczerpuje swoje zasoby energii szybciej niż węzły podrzędne. W związku z powyższym, w celu osiągnięcia dłuższego czasu życia sieci, rola węzła nadrzędnego musi być okresowo pełniona przez różne węzły w obrębie klastra. W literaturze dostępne są metody, które zostały opracowane w celu wydłużenia czasu życia sieci poprzez właściwe zarządzanie węzłami nadrzędnymi. Dostępne obecnie algorytmy wyboru węzła nadrzędnego bazują na dwóch głównych podejściach – czasowym oraz energetycznym. Pierwsza grupa algorytmów może być stosowana tylko w przypadku, gdy dane są wysyłane w określonych odstępach czasu, w sposób ciągły. Bardziej zaawansowane algorytmy biorą pod uwagę średni pobór prądu oraz aktualny poziom energii węzła. Wymaga to zastosowania dodatkowych narzędzi, które służą do monitorowania zużycia energii przez poszczególne węzły. Wspomniane wyżej algorytmy nie są w pełni efektywne w przypadku tzw. inteligentnych węzłów sensorowych, które przesyłają informacje tylko w przypadku, gdy rozpoznają określone zdarzenia. W ramach referatu przedstawiona zostanie propozycja nowego algorytmu, który pozwala rozwiązać wskazany problem i uzyskać dłuższy czas życia sieci sensorowej względem wcześniejszych rozwiązań. Omówione zostaną również wyniki eksperymentów, które przeprowadzono z wykorzystaniem fizycznego modelu bezprzewodowej sieci sensorowej.
Rok akademicki: 2022 / 2023, semestr zimowy
Miejsce: platforma Teams
Prowadzący seminarium (UŚ): dr hab. Beata Zielosko, prof. UŚ, dr hab. Agnieszka Nowak-Brzezińska, prof. UŚ
Prowadzący seminarium (UR): dr hab. Urszula Bentkowska, prof. UR, dr Paweł Drygaś
Idea seminarium: Wymiana doświadczeń naukowo-badawczych, budowanie kontaktów naukowych.
Harmonogram seminarium:
Wykład 1
Organizator: UR
Termin: 15.11.2022
Autor referatu: mgr inż. Marcin Chyła (kooperacja dr hab. inż. Krzysztof Pancerz)
Temat: Krzywe Béziera w rozmywaniu wartości atrybutów tablic decyzyjnych
Streszczenie: Tematyka referatu dotyczy wykorzystania krzywych Béziera w procesie rozmycia danych. Podstawą rozmycia jest generacja przedziałów z zastosowaniem różnych implementacji dyskretyzacji oraz klasyfikacji na podstawie drzewa rozmytego zbudowanego z wykorzystaniem rozmytych danych uzyskanych powyższą metodą. Eksperymenty przeprowadzono na wynikach testu MMPI, ich rezultaty dotyczyć będą porównania sposobu generacji przedziałów i wykorzystanych krzywych do rozmycia danych w procesie klasyfikacji z wykorzystaniem drzewa rozmytego.
Wykład 2
Organizator: UŚ
Termin: 29.11.2022
Autor referatu: dr Kornel Chromiński
Temat: Ocena sąsiedztwa grup na przykładzie rozmieszczenia terytoriów chromosomowych
Streszczenie: Problem klasyfikacji i grupowania jest jednym z ważniejszych zagadnień w analizie danych. Oprócz standardowego podejścia do podziału zbiorów danych na grupy zachodzi czasem potrzeba oceny, które grupy są bardziej podobne do siebie, a które mniej. W ramach rozwiązania problemu oceny sąsiedztwa grup opracowana została autorska metoda oceniająca sąsiedztwo. Metoda została opracowana na potrzeby oceny terytoriów chromosomowych, może być jednak stosowana dla dowolnych zbiorów danych poddanych procesowi grupowania.
Wykład 3
Organizator: UR
Termin: 13.12.2022
Autor referatu: mgr inż. Wojciech Gałka (kooperacja dr hab. Jan G. Bazan, dr hab. Urszula Bentkowska)
Temat: Porównanie klas agregacji w zagadnieniach kombinacji klasyfikatorów i dużej liczby atrybutów w zbiorach danych
Streszczenie: Rozważana jest kombinacja klasyfikatorów dla zbiorów danych mikromacierzowych, gdzie funkcje agregacji są stosowane do łączenia wartości wyjściowych klasyfikatorów bazowych. Badane są znane rodziny agregacji z wybranymi przykładami oraz ich przydatność w zakresie zagadnień ensemblingu klasyfikatorów do optymalizacji działania tych metod.
Wykład 4
Organizator: UŚ
Termin: 17.01.2022
Autor referatu: prof. dr hab. Urszula Boryczka
Temat: Czy systemy mrowiskowe potrafią tworzyć muzykę? O kreatywności obliczeniowej w kontekście metaheurystyk
Streszczenie: Pojęcie sztuki generatywnej bywa bliskoznaczne ze sztuką algorytmiczną (czyli tworzoną przez komputery), jednak w sztuce generatywnej istotną cechą jest skupienie uwagi na powstawaniu dzieła, które jest efektem operacji komputerowych lub maszynowych. Proces iterowany w „akcie tworzenia dzieła” może być sterowany dowolnymi algorytmami niedeterministycznymi, czy rozproszonymi. W tym referacie skupimy się na systemach mrowiskowych i komponowaniu utworu muzycznego, który może być oceniony w zależności od pewnych parametrów, sterujących tym algorytmem metaheurystycznym.
Rok akademicki: 2021 / 2022, semestr letni
Miejsce: platforma Teams
Prowadzący seminarium (UŚ): dr hab. Beata Zielosko, prof. UŚ, dr hab. Agnieszka Nowak-Brzezińska, prof. UŚ
Prowadzący seminarium (UR): dr hab. Urszula Bentkowska, prof. UR, dr Paweł Drygaś
Idea seminarium: Wymiana doświadczeń naukowo-badawczych, budowanie kontaktów naukowych.
Harmonogram seminarium:
Wykład nr 1
Organizator: UŚ
Termin: 2022-03-01, godz. 13.00
Autor referatu: mgr Krzysztof Żabiński (kooperacja: dr hab. Beata Zielosko, prof. UŚ)
Temat: Algorytm indukcji reguł decyzyjnych oparty na modelu EAV.
Streszczenie: Tematyka referatu dotyczy proponowanego podejścia do indukcji reguł
decyzyjnych, opartego na reprezentowaniu tablicy decyzyjnej przy pomocy
modelu EAV (Entity-Attribute-Value).
Wybór atrybutów tworzących reguły decyzyjne odbywa się na podstawie ich
analizy statystycznej. Algorytm zaprezentowany będzie w dwóch wersjach – z
manualnym wyborem procentu najlepszych atrybutów wykorzystanych do
generowania reguł oraz w wersji ze zautomatyzowanym procesem wyboru tychże
atrybutów.
Wyniki eksperymentów przeprowadzonych na zbiorach z UCI ML Repository będą
dotyczyły porównania z punktu widzenia klasyfikacji oraz długości i
wsparcia konstruowanych reguł.
Wykład nr 2
Organizator: UŚ
Termin: 2022-03-15, godz. 13.00
Autor referatu: mgr Kamil Dworak (kooperacja: Prof. dr hab. Urszula Boryczka)
Temat: Algorytmy memetyczne w kryptoanalizie symetrycznych szyfrów blokowych
Streszczenie: Na prezentacji zostanie omówiony autorski atak metaheurystyczny skierowany przeciwko kryptogramowi wygenerowanemu za pomoc szyfru DES. Atak ma celu odgadnąć poprawny klucz deszyfrujący, przeglądając znacznie mniejszą liczbę podkluczy w czasie krótszym, niż robi to obecnie kryptoanaliza różnicowa.
Wykład nr 3
Organizator: UR
Termin: 2022-03-29, godz. 13.00
Autor referatu: dr inż. Piotr Grochowalski
Temat: Inteligentne wyszukiwanie informacji w systemie RSDS
Streszczenie: W ramach wystąpienia zostanie przedstawiona realizacja inteligentnego wyszukiwania informacji w systemie bibliograficznym RSDS (http://rsds.ur.edu.pl). Opracowana metoda bazuje na reprezentacji wiedzy zawartej w danych za pomocą ontologii,która jest przetwarzana przy użyciu metodologii zbiorów przybliżonych. Zaprezentowane zostaną również wyniki prac dotyczące usprawniania tego sposobu wyszukiwania poprzez wdrożenie logiki rozmytej.
Wykład nr 4 (wykład w języku angielskim)
Organizator: UŚ
Termin: 2022-04-12, godz. 13.00
Autor referatu: mgr Samuel Aning (kooperacja: dr hab. Małgorzata Przybyła – Kasperek, prof. UŚ)
Temat: Decision Trees in Classification Based on Dispersed Data: Study on the Twoing Criterion and the Gini index with Pre-pruning.
Streszczenie: The approach that combines Distributed Machine Learning and Federated Learning techniques in a task of classification based on dispersed data will be presented. In the approach, local models are built using the bagging method and decision trees with the Twoing criterion or the Gini index. The impact of the pre-pruning tree process on the quality of classification will also be discussed.
Wykład nr 5
Organizator: UR
Termin: 2022-05-17, godz. 13.00
Autor referatu: mgr inż. Jarosław Szkoła (kooperacja: dr hab. Barbara Pękala, prof. UR)
Temat: Uczenie federacyjne na przykładzie niepewnych danych medycznych
Streszczenie: W referacie zostanie przedstawiona koncepcja uczenia federacyjnego oraz budowanie uogólnionego modelu dla danych niepewnych pochodzących z różnych źródeł. Uczenie federacyjne to technika generowania globalnego modelu danych, przy zachowaniu prywatności poprzez trenowanie bez wymiany samych danych. Skuteczność proponowanego modelu została wykazana na danych medycznych dotyczących diagnostyki raka piersi. Zostaną przedstawione wyniki dla różnych scenariuszy utraty danych i odpowiadające im miary jakości klasyfikacji.