Laboratorij za kognitivno modeliranje

V LKM raziskujemo področja podatkovnega rudarjenja, nevronskih mrež, umetne inteligence, analize velikih podatkovnih baz, priporočilnih sistemov, e-učenja, analize podatkovnih tokov, jezikovnih tehnologij, večina raziskav pa se vrti okoli strojnega učenja. Strojno učenje in podatkovno rudarjenje se ukvarja z iskanjem zakonitosti v relativno velikih bazah podatkov, ki so na voljo za učenje modelov. Naučeni modeli služijo za razlago podatkov, za simulacije, nadzor, napovedovanje in za reševanje novih problemov. Tipičen primer je npr. medicinska diagnostika. Iz podatkov o pacientih, ki jih je nek zdravnik ali klinika zdravila v preteklosti, sistem za strojno učenje zgradi model, ki se lahko uporabi za diagnosticiranje novih pacientov. Pri tem so pomembni predvsem točnost in zanesljivost napovedi ter zmožnost razlage odločitev modela.

Strojno učenje je široko področje, ki vključuje učenje logičnih modelov (odločitvena drevesa, pravila, logični programi), verjetnostnih modelov (variante Bayesovega klasifikatorja, bayesovske mreže), umetnih nevronskih mrež ter numeričnih modelov (npr. metoda podpornih vektorjev). V LKM razvijamo, testiramo in apliciramo nove pristope in algoritme za modeliranje podatkov na različnih področjih, ki so povezana s kognitivnimi, medicinskimi, biološkimi in drugimi procesi. Sodelujemo z zdravniki, farmacevti, biologi ter strokovnjaki na področju športa. Naša specifična raziskovalna podpodročja so modeliranje numeričnih, simbolnih, slikovnih in prostorskih podatkov, analiza slik, medicinska diagnostika in prognostika, ocenjevanje kakovosti podatkov, določanje njihove pomembnosti in medsebojnih interakcij, generiranje delno umetnih podatkov razlaga in zanesljivost posameznih predikcij, avtomatsko povzemanje besedil, profiliranje spletnih uporabnikov ter modeliranje dinamičnih in stohastičnih sistemov.

Kje smo?

LKM se nahaja se v 2. nadstropju, na severni strani stavbe, prostor R2.26, nasproti kabineta prof. Kononenka (R2.07), ki je predstojnik LKM.


Sodelavci


Izbrane objave

  • Z. Bosnić, J. Demšar, G. Kešpret, P.P. Rodrigues, J. Gama, I. Kononenko. Enhancing data stream predictions with reliability estimators and explanation. Eng. appl. artif. intell., vol. 34, p.p. 178-192, 2014.
  • E. Canhasi, I Kononenko. Weighted archetypal analysis of the multi-element graph for query-focused multi-document summarization. Expert systems with applications, Feb. 2014, vol. 41, no. 2, pp. 535-543.
  • E. Canhasi, I. Kononenko. Multi-document summarization via archetypal analysis of the content-graph joint model. Knowledge and information systems, 2014, vol. 41, no. 3, str. 821-842
  • D. Košir, I. Kononenko, Z. Bosnić. Web user profiles with time-decay and prototyping. Appl. intell., vol. 41, no. 4, p.p. 1081-1096, Dec. 2014.
  • U. Ocepek, Z. Bosnić, I. Nančovska Šerbec, J. Rugelj. Exploring the relation between learning style models and preferred multimedia types. Computers & Education, Nov. 2013, vol. 69, pp. 343-355.
  • B. Petelin, I. Kononenko, V. Malačič, M. Kukar. Multi-level association rules and directed graphs for spatial data analysis. Expert systems with applications,  2013, vol. 40, issue 12, pp. 4957-4970
  • B. Petelin, I. Kononenko, V. Malačič. M. Kukar, Dynamic fuzzy paths and cycles in multi-level directed graphs. Engineering applications of artificial intelligence, 2014, vol. 37, p. 194-206.
  • D. Pevec, I. Kononenko. Input dependent prediction intervals for supervised regression. Intelligent data analysis, 18(5):873-887, 2014.
  • Pičulin, Matej, Robnik Šikonja, Marko. Handling numeric attributes with ant colony based classifier for medical decision making. Expert systems with applications, 2014, 41(16):7524-7535
  • M. Robnik Šikonja, E. Štrumbelj, I. Kononenko. Efficiently explaining the predictions of a probabilistic radial basis function classification network. Intelligent data analysis, 2013, vol. 17, no. 5, pp. 791-802.
  • E. Štrumbelj. On determining probability forecasts from betting odds. International journal of forecasting, 2014, vol. 30, no. 4, 934-943.
  • E. Štrumbelj., F.Erčulj. Analysis of experts` quantitative assessment of adolescent basketball players and the role of anthropometric and physiological attributes. Journal of Human Kinetics, 2014, vol. 42, 267-276.
  • E. Štrumbelj.. A comment on the bias of  probabilities derived from betting odds and their use in measuring outcome uncertainty. Journal of sports economics, 2014, (in print, available online)
  • E. Štrumbelj., I. Kononenko. Explaining prediction models and individual predictions with feature contributions. Knowledge and information systems, 2014, vol. 41, no. 3, 647-665.
  • M. Toplak, R. Močnik, M. Polajnar, Z. Bosnić, L. Carlsson, C. Hasselgren, J. Demšar, S. Boyer, B. Zupan, J. Stålring. Assessment of machine learning reliability methods for quantifying the applicability domain of QSAR regression models. J. chem. inf. mod., vol. 54, no. 2, p.p. 431-441, Feb. 2014.

Projekti

Tekoči projekti

Zaključeni projekti


Spletno mesto

» Več o laboratoriju