Samodzielna Pracownia Sztucznej Inteligencji
Kierownik Pracowni:
Skład Zespołu:
Jarosław Arabas, dr inż.,
Paweł Cichosz, dr inż.,
Piotr Wąsiewicz, dr inż.
Profil naukowy:
OBLICZENIA MOLEKULARNE
- obliczenia oparte na cząsteczkach kwasu deoksyrybonukleinowego (DNA)
- wykorzystanie warsztatu i zdobyczy inżynierii genetycznej
- opracowywanie algorytmów obliczeniowych dostosowanych do możliwości cząsteczek kwasów nukleinowych
- projektowanie oligonukleotydów a następnie przeprowadzanie eksperymentów w laboratoriach inżynierii genetycznej
- weryfikacja wyników eksperymentalnych z założeniami teoretycznymi
- implementacja układów logicznych za pomocą obliczeń DNA
- wnioskowanie metodami molekularnymi
- implementacja przepływowych procesorów molekularnych na zmodyfikowanych cząsteczkach DNA
- realizacja pamięci asocjacyjnych metodą molekularną
SYSTEMY EKSPERTOWE
- inżynieria wiedzy, systemy z bazami wiedzy, metody reprezentacji wiedzy, metody wnioskowania, architektura systemów ekspertowych, sposoby rozwiązywania problemów, metody przeszukiwania przestrzeni rozwiązań, heurystyki, narzędzia do implementacji systemów ekspertowych, systemy szkieletowe i dedykowane, języki przetwarzania symbolicznego: LISP, PROLOG, CLIPS, FUZZYCLIPS, systemy ekspertowe czasu rzeczywistego, metodyka tworzenia baz wiedzy, badanie poprawności bazy wiedzy, systemy ekspertowe drugiej generacji systemy hybrydowe
ALGORYTMY EWOLUCYJNE
- algorytmy genetyczne, strategie ewolucyjne, poszukiwanie nowych technik:
analiza czasu życia osobników
analiza kodowania i operatorów
analiza mechanizmów selekcji
OPTYMALIZACJA GLOBALNA
- symulowane wyżarzanie, algorytmy bazujące na grupowaniu
SZTUCZNE SIECI NEURONOWE
- perceptrony wielowarstwowe, modelowanie dynamiczne, sieci Kohonena
- sieci Hamminga, sieci CMAC
STEROWANIE
- sterowanie predykcyjne z wbudowanym modelem odniesienia
OBRAZOWANIE MEDYCZNE
- wizualizacja wnętrza ciała ludzkiego, wirtualna rzeczywistość
UCZENIE SIĘ MASZYN
- indukcja drzew decyzyjnych, indukcja zbiorów reguł, klasyfikacja bayesowska, sieci wnioskowania bayesowskiego, grupowanie pojęciowe danych, dyskretyzacja atrybutów ciągłych, uczenie się aproksymacji funkcji, wnioskowanie na podstawie zasady minimalnej długości kodu, uczenie się ze wzmocnieniem, ewolucyjne metody uczenia się, sztuczne sieci neuronowe, metauczenie się, hybrydowe systemy uczące się, skalowanie algorytmów uczenia się, efektywna implementacja algorytmów uczenia się, zastosowania systemów uczących się do: eksploracji baz danych, sterowania optymalnego, rozwiązywania problemów, optymalizacji kombinatorycznej
<< POWRÓT