Predavanja u okviru hrvatsko-slovenskog bilateralnog projekta „Nadzirano i nenadzirano strojno učenje temeljem nebalansiranih setova podataka kao pomoć pri kretanju slabovidnih osoba“

 

27. kolovoza 2014.

od 12:30 do 14:45

C401 Predavaonica

U sklopu hrvatsko-slovenskog bilateralnog projekta naziva „Nadzirano i nenadzirano strojno učenje temeljem nebalansiranih setova podataka kao pomoć pri kretanju slabovidnih osoba“ dana 27. kolovoza 2014. godine od 12:30 – 14:45 u predavaonici C401 će se održati serija mini-predavanja u trajanju 15-30 minuta na temu projekta. Predavanja će održati članovi Laboratorija za kognitivno modeliranje, Fakulteta za računalništvo i informatiko, Univerza u Ljubljani predvođeni voditeljem laboratorija prof. Igorom Kononenkom, te članovi istraživačke grupe projekta „Računalna inteligencija za prepoznavanje i potporu ljudskih aktivnosti“ predvođeni prof. Vladanom Papićem.

 

Naslovi predavanja i predavači:

1. 12:30-12:45 Vladan Papić: Istraživačka grupa za Računalnu inteligenciju za prepoznavanje i potporu ljudskih aktivnosti
2. 12:45-13:00 Josip Musić: Inercijski senzori pri mjerenju ljudskih aktivnosti
3. 13:00-13:15 Ivo Stančić: Računalni vid u mjerenju ljudskih aktivnosti – prednosti i nedostatci
4. 13:15-13:30 Igor Kononenko: Istraživački rad u Laboratoriju za kognitivno modeliranje
5. 13:30-14:00 Darko Pevec: Reliability estimation of individual predictions in supervised learning
6. 14:00-14:15 Petar Vračar: Simulating a basketball match with a homogeneous Markov model and forecasting the outcome
7. 14:15-14:45 Matjaž Kukar: Data mining and Data Bases

 

Sažeci predavanja:

1. Kroz ovo uvodno predavanje biti će predstavljena cjelokupna znanstveno-istraživačka djelatnost vezna za fakultetski projekt „Računalna inteligencija za prepoznavanje i potporu ljudskih aktivnosti“ koja uključuje široki raspon tema od razvoja sustava za nadzor granica i potragu temeljenih na analizi slike preko praćenja ljudi i objekata u video signalu u aplikacijama analize sportskih događaja do proučavanja načina na koji vršimo interakciju s mobilnim uređajima.  Pri tome će posebno biti istaknuti najveći izazovi u svakom od područja kao i načini na koje ih istraživačka grupa pokušava riješiti.
2. U predavanju će biti dan kratak pregled tehnologije inercijskih senzora (akcelerometara i žiroskopa) s posebnim osvrtom na prednosti i nedostatke u mjerenjima koje iz njih proizlaze. Zatim će biti pojašnjeni načini na koje se pojedini nedostatci manifestiraju u mjerenjima ljudskih aktivnosti i ograničenja koja nameću prvenstveno u vidu točnosti i pouzdanosti mjerenja. Kroz nekoliko primjera biti će opisani načini na koji se ti nedostatci rješavaju u praktičnim primjenama pri čemu će se posebno opisati način primjenom magnetometra i algoritama za estimaciju kao što je Kalmanov filtar.
3. U prezentaciji će ukratko biti objašnjen princip rada računalnog vida i stereovizijskih sustava, s naglaskom na praćenje tijela u pokretu.  Objasniti će se neki od glavnih pojmova stereovizijskih sustava kao što je kalibracija, sinkronizacija kamera te rekonstrukcija praćenog objekta. U nastavku prezentacije će biti objašnjen princip rada 3D skenera, s naglaskom na mogućnosti navigacije u prostoru koristeći se 3D skenerom.  Na samom kraju će biti prezentiran koncept 3D skenera / mjeraća udaljenosti  za navođenje mobilnog robota u prostoru.
4. U kratkom izlaganju ćemo predstaviti Laboratorij za kognitivno modeliranje (LKM) sa Fakultete za računarstvo i informatiku, Univerzitet u Ljubljani, Slovenija. LKM ima 14 godišnju tradiciju, a trenutačno ima 11 redovitih članova (3 profesora, 2 docenta, 1 asistent sa doktoratom, 3 asistente -doktoranda i 2 mlada istraživača – doktoranda) i više vanjskih suradnika. Područja istraživanja su strojno učenje, data mining i kognitivno modeliranje. Članovi laboratorija su autori 12 knjiga i preko 300 znanstvenih članaka, koji su citirani više od tisuću puta.
5. The greatest concern with use of machine learning algorithms is whether the chosen model represents the data well and if the predicted values conform to the dataset or has the model learned a wrong concept or even over-fitted to noise in the data. As we want to take into account all possible machine learning models, we treat them as black-boxes. We will make an overview of reliability estimators for supervised learning. This framework consists of classification and regression, due to their inherent differences. We distinguish between point-wise and interval estimators, and interestingly, point-wise estimators can be applied both to classification and regression, whereas interval estimators are applicable only to regression.
6. We used a possession-based Markov model to model the progression of a basketball match. The model’s transition matrix was estimated directly from NBA play-by-play data and indirectly from the teams’ statistics. We evaluated this approach and other commonly used forecasting approaches: logit regression of the outcome, a latent strength rating method, and bookmaker odds. We found that the Markov model approach is appropriate for modeling a basketball match and produces forecasts of comparable quality to other statistical approaches, while giving more insight into basketball. Consistent with previous studies, bookmaker odds were the best probabilistic forecasts.
7. In a brief overview of my research activities, which mainly include data mining in medical problems, I will focus on recent research concerning data mining and data bases. I work on web user profiling and intelligent document retrieval.

 

Kratki životopisi slovenskih predavača:

Igor Kononenko je stekao naziv diplomirani inženjer 1982, magistar znanosti 1985. i doktor znanosti 1990 (sve iz područja računarstva) pri Sveučilištu u Ljubljani, Slovenija. Trenutno je redoviti profesor pri Fakultetu za računarstvo i informatiku, Sveučilišta u Ljubljani gdje predaje na kolegijima Algoritmi i strukture podataka I, Strojno učenje, Inteligentni sustavi i Umjetna inteligencija. Voditelj je Laboratorija za kognitivno modeliranje i Zavoda za umjetnu inteligenciju pri istom Fakultetu.  Autor je i koautor oko 210 radova (75 u međunarodnim časopisima, 15 poglavlja u knjigama i 120 članaka na međunarodnim znanstvenim konferencijama), te 12 knjiga. Njegovi radovi su do sada citirani preko 1200 puta od strane drugih autora: preko 730 u SCI časopisima i 500 u ne SCI časopisima (bez samo-citiranosti). Istraživanje pod njegovim vodstvom uključuje:

• razvoj algoritama strojnog učenja,
• razvoj alata za procjenu značajki i rangiranje,
• odabir podskupa značajki,
• parametrizacija i klasifikacija slika,
• procjena pouzdanosti predviđanja u klasifikaciji i regresiji,
• logičko programiranje i razvoj ekspertnih sustava,
• neuralne mreže i genetski algoritmi,
• induktivno logičko programiranje,
• objašnjavanje odluka različitih modela predviđanja,
• rudarenje teksta i rudarenje prostornih podataka,
• profiliranje korisnika web-a,
• razumijevanje utjecaja učenja na inteligenciju i povezanosti s sviješću.

 

Igor Kononenko je aktivno sudjelovao u 17 nacionalnih i međunarodnih istraživačkih projekata. Član  je uredničkog odbora časopisa Applied Intelligence Journal and Informatica Journal. Bio je član programskog odbora 40 međunarodnih znanstvenih konferencija, većinom European Conference of Machine earning (ECML), International Conference on Machine Learning (ICML) i Artificial Intelligence Conference.

 

Matjaž Kukar je diplomirao na Fakultetu elektrotehnike i računarstva Sveučilišta u Ljubljani. Akademske stupnjeve magistra znanosti i doktora znanosti stekao je pri Fakultetu računarstva i informatike Sveučilišta u Ljubljani. Trenutno je docent i član Laboratorija za  kognitivno modeliranje pri Fakultetu računarstva i informatike gdje predaje na  preddiplomskom studiju, te je mentor studenata na doktorskom studiju.  Njegovi istraživački interesi uključuju strojno učenje i rudarenje podataka, troškovno  osjetljivo (cost-sensitive) učenje, primjene u području medicine i poslovnih rješenja i procjenu pouzdanosti. Do sada je bio (ko)autor više od 80 publikacija u međunarodnim  znanstvenim časopisima i međunarodnim znanstvenim konferencijama, te je njegov rad  citiran više od 150 puta. Koautor je knjige book Machine Learning and Data Mining:  Introduction to Principles and Algorithms (Horwood Publishing, 2007). Recenzent je nekoliko  međunarodnih znanstvenih časopisa (Artificial intelligence in medicine, Journal of operations  research, Transactions on knowledge and data engineering, Transactions on biomedical  engineering, Entropy, …), te je član programskog odbora konferencija i radionica iz područja strojnog učenje i rudarenja podataka.

 

Petar Vračar je asistent pri Fakultetu računarstva i informatike Sveučilišta u Ljubljani gdje  sudjeluje u izvođenju nastave na nekoliko kolegija o algoritmima, strukturama podataka i  strojnom učenju. Njegovi istraživački interesi uključuju predviđanja u sportu, rudarenje  podataka i strojno učenje temeljeno na obradi slike. Autor i koautor je 5 publikacija u  međunarodnim znanstvenim časopisima i konferencijama. Posjeduje iskustvo sudjelovanja  na industrijskim projektima. Kao vodeći R&D programer sudjelovao je i uspješno završio pilot  projekt testiranja elektroničkog prikupljanja cestarine u GNSS/CN sustavu za protok vozila bez gužve. Projekt je financiralo Ministarstvo prometa Republike Slovenije.

 

Darko Pevec je diplomirao iz računarstva i matematike, te stekao naziv doktora znanosti iz područja računarstva na Sveučilištu u Ljubljani, u 2009 i 2013 respektivno. Trenutno je asistent i istraživač u Laboratoriju za kognitivnu modeliranje. Njegovi istraživački interesi uključuju strojno učenje, analitiku, statistiku, analizu podataka, vizualizacije i interakcijski dizajn.