Suradnici:  T. Šmuc., I. Kopriva, D. Kolarić, R. Horvat, D. Tolić, M. Piškorec, M. Mihelčić,  M. Brbić, N. Antulov-Fantulin, I. Marić, D. Gamberger

Laboratorij za strojno učenje i reprezentacije znanja

Razvoj postupaka strojnog učenja, reprezentacija podataka i znanja i njihova primjena u dubinskoj analizi podataka i otkrivanju znanja u drugim znanstvenim disciplinama.

Tomislav Šmuc

Voditelj laboratorija

dr.sc. Tomislav Šmuc

+385 1 456 1085
Fax: 4680114

Moira Španović

prvo krilo, soba 103

telefon i faks  +385 1 4680114

left right

Laboratorij se bavi znanstvenim istraživanjima u području računalnih znanosti, razvojem postupaka strojnog učenja, učenja reprezentacija podataka i znanja, prediktivnih i deskriptivnih modela podataka s primjenom na dubinsku analizu podataka i otkrivanje znanja. Teme naših istraživanja vezane su uz slijedeće postupke:

  • učenje rijetkih reprezentacija podataka
  • učenje pravila
  • alternativno/višestruko opisivanje podataka
  • otkrivanje grupa i podgrupa u podacima
  • interaktivna dubinska analiza i vizualizacija modela podataka
  • fuzija prediktivnih modela
  • učenje distribuiranih reprezentacija
  • polinomne (GMDH), konvolucijske, rekurentne neuralne mreže
  • modeli dinamičkih procesa na kompleksnim mrežama

Značaj istraživanja najbolje se ogleda u velikom broju primjena u drugim znanstvenim disciplinama:

  • medicinska dijagnostika
    • napredne tehnike segmentacije medicinskih slika; otkrivanje uzoraka
    • dijagnostika oboljenja
    • prediktivni modeli u razvoju bolesti
    • otkrivanje biomarkera
    • modeliranje aktivnosti i mehanizma djelovanja novih kemijskih spojeva
  • računalna biologija i bioinformatika
    • funkcionalna anotacija gena
    • fenotipska anotacija mikroorganizama
  • modeliranje kompleksnih tehno-socijalnih sustava
    • modeliranje sentimenta i tema u online medijima
    • širenje inormacija i utjecaja socijalnim mrežama
    • širenje epidemija

Darko Kolarić
dr.sc.

viši znanstveni suradnik
+385 1 457 1277
1269

Dijana Tolić
dr. sc.

Postdoctoral Research Assistant
+385 1 457 1352
1889

Ivica Kopriva
dr. sc.

znanstveni savjetnik
+385 1 457 1286
1842

Matej Mihelčić

+385 1 456 1080
1270

Matija Piškorec

+385 1 456 1080
1270

Tomislav Šmuc
dr.sc.

Znanstveni savjetnik
+385 1 456 1085
1485
Otkrivanje znanja u složenim strukturama podataka

Algoritmi strojnog učenja za otkrivanje znanja u složenim strukturama podataka

 U Institutu "Ruđer Bošković" razvijamo postupke strojnog učenja već dugi niz godina i uspješno ih primjenjujemo u raznim područjima uključujući kemiju, biologiju, medicinu, društvene znanosti, ekonomiju, i proizvodnju. Unutar ovog projekta razvijamo nove postupke koji mogu otkrivati znanje iz podataka u složenim strukturama.

više »

DEDAD - Strukturne dekompozicije empirijskih podataka za računalno potpomognutu dijagnostiku bolesti

Glavni istraživač / voditelj: Ivica Kopriva

Ciljevi projekta su razvoja algoritama za strukturne dekompozicije empirijskih podataka za računalno potpomognutu dijagnostiku bolesti analizom slike histopatoloških preparata, metaboličkim profiliranjem protonskih NMR spektara uzoraka urina i analizom slike optičke koherentne tomografije retine (mrežnice). Naglasak je strukturno ograničenim dekompozicijama matrice empirijskih podataka.

više »
MAESTRA logo

MAESTRA - FP7 FET projekt

Glavni istraživač / voditelj: Tomislav Šmuc
Oprema laboratorija

Crunchy - 32 jezgre 2.4GHz, RAM 64 GB; HDD 500 GB;  OS: Linux Debian.

Laboratorij raspolaže sa 3 mini cluster računala:

  • crunchy: 
    • 4*8 (32 jezgre) 2.4GHz, RAM 64 GB; HDD 500 GB;  OS: Linux Debian. 
  • abacus2:
    • CPU4*10 (40 cores), Intel E7-4850, 10 cores, 2.0GHz, 24MB cache, QPI speed 6.4 GT/s, 64-bit, SSE4.1/4.2, Hyper threading, Virtualization Technology (VT-x) RAM256GB, DDR3-10600R; STORAGE: Solid-state drive, 800GB, PCI-Express 2.0, 2GB/s read / 1GB/s write; 3 HD, SAS, 600GB, 2,5", 10.000 rpm
  • abacus1:
    • CPU: 4*16 (64 cores), AMD Opteron 6380, 2.5GHz, 16MB cache, 6400 MT/s, 64-bit; RAM: 128GB DDR3-10600R;STORAGE: Solid-state drive, 800GB, PCI-Express 2.0, 2GB/s read / 1GB/s write; 3 HD, SAS, 146GB, 2,5", 10.000 rpm
  • UPS unit: Smart-UPS (2700/3000 VA)
  • Qnap - sustav za pohranu podataka 8 TB HDD; RAID 1

Ovom računalnom opremom upravlja Rajko Horvat.

 

Dogadjaji_2016

Dogadjaji 2015

 Prikaz dogadjaja u LIS-u u 2015. godini.

više »

Dogadjaji 2014

Prikaz dogadjaja u LIS-u u 2014. godini.

više »

Dogadjaji 2013

Prikaz dogadjaja u LIS-u u 2013. godini.

više »

Dogadjaji 2012

Prikaz dogadjaja u LIS-u u 2012. godini.

više »

Dogadjaji 2011

Prikaz dogadjaja u LIS-u u 2011. godini.

više »

Dogadjaji 2010

Prikaz dogadjaja u LIS-u u 2010. godini.

više »

Dogadjaji 2009

Prikaz dogadjaja u LIS-u u 2009. godini.

više »

Dogadjaji 2008

Prikaz dogadjaja u LIS-u u 2008. godini.

više »

Dogadjaji 2007

Prikaz dogadjaja u LIS-u u 2007. godini.

više »

Dogadjaji 2006

Prikaz dogadjaja u LIS-u u 2006. godini.

više »

Dogadjaji 2005

Prikaz dogadjaja u LIS-u u 2005. godini.

više »
knjiga Rule Learning

Knjiga: Foundations of Rule Learnig
autori: J.Fuernkranz, D.Gamberger, and N.Lavrac

Krajem 2011. godine iz štampe izlazi dugo godina pripremana knjiga. Napisana je u suradnji sa kolegama iz Njemačke i Slovenije i predstavlja rezultat suradnje na više zajedničkih projekata. Prvi dio predstavlja prikaz osnovnih pristupa indukciji pravila dok drugi detaljno opisuje svaki od sastavnih dijelova tog procesa. Knjiga daje vrlo detaljan prikaz postojećih sustava zasnovanih na učenju pravila te neke važne primjene u otkrivanju znanja. Uključen je vrlo detaljan pregled literature.

Sažetak knjige:

Rules – the clearest, most explored and best understood form of knowledge representation – are particularly important for data mining, as they offer the best tradeoff between human and machine understandability. This book presents the fundamentals of rule learning as investigated in classical machine learning and modern data mining. It introduces a feature-based view, as a unifying framework for propositional and relational rule learning, thus bridging the gap between attribute-value learning and inductive logic programming, and providing complete coverage of most important elements of rule learning.   The book can be used as a textbook for teaching machine learning, as well as a comprehensive reference to research in the field of inductive rule learning. As such, it targets students, researchers and developers of rule learning algorithms, presenting the fundamental rule learning concepts in sufficient breadth and depth to enable the reader to understand, develop and apply rule learning techniques to real-world data.