Az önálló projekt témája a mesterséges intelligencia, azon belül a gépi/mély tanulás területéről választható. Két preferált téma összefoglalása olvasható a továbbiakban.
Orvosi képfeldolgozás
A projekt keretein belül orvosi képek klasszifikációs, szegmentációs, transzformációs ill. kapcsolódó biomarker kiszámítási feladataival, az ehhez szükséges gépi/mély tanulási modellek és algoritmusok fejlesztésével, implementálásával, méréseken keresztül történő kipróbálásával fogunk foglalkozni. A vizsgált képek sokféle orvosi képalkotó eszközből jöhetnek: röntgen, CT, MRI, ultrahang, endoszkópia. A munka kiterjed a képi előfeldolgozási eljárások vizsgálatára, javítására is.
Természetes nyelvek, félig strukturált és hálózatos adathalmazok modellezése
A kutatási téma a mesterséges intelligencia, azon belül a gépi tanulás, mély tanulás módszereinek nyelvi, félig strukturált, ill. hálózatos adathalmazok modellezésére való alkalmazhatóságának vizsgálata. Példák a félig strukturált adathalmazokra a napló-állományok vagy programkódok, amelyek bár nyelvi elemekből építkeznek, a természetes nyelvnél kötöttebb struktúrákba rendezve.
Tipikus feladat annak felismerése, hogy az adatok sorai, egységei által leírt elemi események, leírói mikor állnak össze makró szintű jelenségekké, entitásokká.
Referenciák
- Shalev-Shwartz, Shai, and Shai Ben-David. Understanding Machine Learning: From Theory to Algorithms. Cambridge University Press, 2014.
https://www.cs.huji.ac.il/~shais/UnderstandingMachineLearning/understanding-machine-learning-theory-algorithms.pdf
- Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. Deep learning. MIT Press, 2016.
http://www.deeplearningbook.org/
- Joshi, Chaitanya: Transformers are Graph Neural Networks, Towards Data Science, 2020.
https://towardsdatascience.com/transformers-are-graph-neural-networks-bca9f75412aa
[4] Gaál, Gusztáv, Balázs Maga, and András Lukács: Attention U-net based adversarial architectures for chest X-ray lung segmentation, arXiv:2003.10304, 2020.
https://arxiv.org/abs/2003.10304