Лаборатория машинного обучения и представления данных
Джанкарло Суччи
Факультет компьютерных и инженерных наук

Лаборатория машинного обучения и представления данных 

Задача машинного обучения, чтобы компьютеры учились на данных из окружающего мира, как это делает человек. За последние годы в этой области произошла революция. Глубокое обучение (один из методов машинного обучения) сыграло решающую роль в создании ряда решений: беспилотных автомобилей, пользовательских интерфейсов с функцией поддержки речи, автоматического анализа медицинских изображений, веб-поисковых систем, рекомендательных систем, кибербезопасности, обнаружения и распознавания объектов и проч. 

Хотя уже достигнут значительный прогресс в разработке алгоритмов машинного обучения и лежащей в их основе теории, остается ряд вопросов: как обучить глубоким моделям при отсутствии больших объемов данных? Как создать глубокие модели мобильных устройств с ограниченными ресурсами? Как улучшить обобщающие характеристики глубоких нейронных сетей? Как дать возможность глубоким моделям адаптироваться к неизвестным целевым доменам? Как защитить глубокие модели от враждебных атак? 

Исследование лаборатории сосредоточено на поиске ответов на эти и другие вопросы.

Руководитель – Адил Хан

деятельность лаборатории

Машинное обучение связано с изучением вычислительных методов, позволяющих машинам учиться на данных. Исследования лаборатории в области машинного обучения охватывают: 


— Глубокое обучение 

— Адаптацию домена 

— Обобщение домена 

— Перевод нейронных машин 

— Состязательное обучение 

— Иерархическое обучение

— Ресурсоэффективное нейронное обучение 


Команда

Адил Хан 

Руководитель лаборатории

Станислав Протасов 

Доцент

Дмитрий Гордин

Аспирант

Луиз Джоната Пирес Де Араужу

Доцент

Рашид Бадер

Аспирант

Альбина Хусаинова 

Ассистент 

Имад Эддин Ибрахим Беккуш

Младший научный сотрудник 

Рустам Гафуров

Старший преподаватель

ПРОЕКТЫ

Хотите совместный проект?
Свяжитесь с нами

01

Решение для анализа компьютерной томографии аорты при планировании операций по шунтированию

Включает комплекс методов и алгоритмов для сегментации, визуализации и автоматического измерения

02

Семантический индекс на пользовательских устройствах

Построение компактного, точного индекса для поиска в больших наборах текстов и изображений на пользовательских устройствах. Рекомендация документов, распределённый индекс, поиск дубликатов, поиск по картинке

03

Анализ сообществ 

Рекомендация новых событий, анализ событий, ранжирование и рекомендация экспертов

04

clo2vec

Совокупность глубоких моделей, методов информационного поиска и серверных решений для создания веб-сервиса, который может рекомендовать единичные предметы одежды, а также их наборы по единичной фотографии, примеру или кадру из фильма