Adatintenzív Mesterséges Intelligencia Módszerek és Rendszerek Kutatólaboratórium

A kutatólaboratórium tagjai:
  • Dr. Fogarassyné dr. Vathy Ágnes, egyetemi docens, laborvezető
  • Starkné dr. Werner Ágnes, egyetemi docens
  • Dr. Leitold Dániel, adjunktus
  • Dulai Tibor, mesteroktató, doktorjelölt
  • Ábrahám Gyula, PhD hallgató
  • Nagy Zsuzsanna, PhD hallgató
  • Szekér Szabolcs, PhD hallgató
  • Miseta Tamás, MSc hallgató

A kutatólaboratórium tevékenysége:
Kutatási tevékenységünk a strukturált, félig-strukturált és szabad szöveges formában rögzített adatokon alapuló gépi tanuló algoritmusok fejlesztésre fókuszál. Célunk olyan új adatalapú gépi tanuló algoritmusok fejlesztése, amelyek hatékonyan képesek kiaknázni és értékes információvá alakítani az exponenciálisan növekvő adatvagyonban rejlő rejtett információkat. A gépi tanulás területét tekintve egyaránt foglalkozunk a felügyelt, a nem felügyelt és megerősítéses tanulás témakörébe sorolható gépi tanuló módszerek fejlesztésével. Kutatásainkban jelentős szegmenst képvisel a neurális hálózatok és a mélytanuló rendszerek fejlesztési lehetőségeinek vizsgálata. A kutatási eredmények részben szakterületspecifikus, részben általános érvényű megoldásokat kínálnak a felmerülő kérdések és problémák megoldására.

Kapcsolódó kiemelt publikációk:
  • Szekér Szabolcs, Vathy-Fogarassy Ágnes (2020) Weighted nearest neighbours-based control group selection method for observational studies. PLOS ONE 15: 7 Paper: e0236531
  • Zsuzsanna Nagy, Agnes Werner-Stark (2020) A Multi-perspective Online Conformance Checking Technique. In: 2020 6th International Conference on Information Management (ICIM), IEEE, 172-176
  • Dániel Leitold, Ágnes Vathy-Fogarassy, János Abonyi (2020) Network-Based Analysis of Dynamical Systems. Springer Briefs in Computer Science, p.110. Springer International Publishing
  • Ágnes Vathy-Fogarassy, Szabolcs Szekér, Balázs Szolár, György Fogarassy (2020) The Efficiency of Different Distance Metrics for Keyword-Based Search in Medical Documents: A Short Case Study. Studies in Health Technology and Informatics 271, pp. 232-239
  • Abraham Gyula, Auer Peter, Dosa Gyorgy, Dulai Tibor, Werner-Stark Agnes (2019) A Reinforcement Learning Motivated Algorithm for Process Optimization. Periodica Polytechnica-Civil Engineering, 63:4, 961-970
  • György Fogarassy, Ágnes Vathy-Fogarassy, István Kenessey, Miklós Kásler, Tamás Forster (2019) Risk prediction model for long-term heart failure incidence after epirubicin chemotherapy for breast cancer – A real-world data-based, nationwide classification analysis. International Journal of Cardiology, vol. 285, 47-52, 6 p.
  • Tamas Miseta, Agnes Vathy-Fogarassy (2019) The Effect of the Different Data Aggregation Methods and their Detail Levels to the Prediction of Bitcoin's Exchange Rate. In: Levente, Kovács; Carlos, M. Travieso-González (szerk.) Proceedings of IEEE International Work Conference on Bioinspired Intelligence IWOBI 2019, IEEE, pp. 145-152
  • Zsuzsanna Nagy, Agnes Werner-Stark, Tibor Dulai (2019) Using Process Mining in Real-Time to Reduce the Number of Faulty Products. In: Kamišalić Latifić, Aida; Podgorelec, Vili; Eder, Johann; Welzer, Tatjana (eds.) Advances in Databases and Information Systems: 23rd European Conference, ADBIS 2019, Springer, 89-104
  • S Szekér, G Fogarassy, K Machalik, Á Vathy-Fogarassy (2019) Application of Named Entity Recognition Methods to Extract Information from Echocardiography Reports. Studies in Health Technology and Informatics, vol. 260, 41-48
  • D Leitold, A Vathy-Fogarassy, J Abonyi (2018) Network Distance-Based Simulated Annealing and Fuzzy Clustering for Sensor Placement Ensuring Observability and Minimal Relative Degree. Sensors 18:9, Paper: 3096
  • S Szeker, A Vathy-Fogarassy (2018) The Effect of Latent Binary Variables on the Uncertainty of the Prediction of a Dichotomous Outcome Using Logistic Regression Based Propensity Score Matching. Studies in Health Technology and Informatics, vol. 248, 1-8
  • Krisztina Tóth, Károly Machalik, György Fogarassy, Ágnes Vathy-Fogarassy (2017) Applicability of Process Mining in the Exploration of Healthcare Sequences. In: Szakál, Anikó (szerk.) IEEE 30th Jubilee Neumann Colloquium, 151-155
  • K. Tóth, I. Kósa, Á. Vathy-Fogarassy (2017) Frequent Treatment Sequence Mining from Medical Databases. Studies in Health Technology and Informatics, 2017, 236: 211-218

A kutatólaboratórium vezetőjének bemutatása:
Vathy ÁgnesFogarassyné Vathy Ágnes a Pannon Egyetem Rendszer- és Számítástudományi tanszékének tanszékvezető egyetemi docense. Egyetemi tanulmányait a Pannon Egyetemen végezte, majd Az Eötvös Lóránd Tudományegyetemen szerzett PhD fokozatot 2009-ben Informatika tudományterületen. PhD disszertációját a nem felügyelt tanulás (gráf alapú klaszterező algoritmusok) témaköréből írta. Tudományos érdeklődési körébe tartozik az adatintenzív prediktív analitikai módszerek fejlesztése és kutatása, a hálózatelemzés, a mélytanuló rendszerek és a gépi tanulás egészségügyi alkalmazásai. Mindezidáig 2 monográfia és több mint 80 szakcikk társszerzője, melyek főként a kutatólaboratórium témájához kapcsolódnak.
thumb eu-kezikonyvbol
thumb magyarorszag megujul
thumb szechenyi-720x250
Minden jog fenntartva © 2021 Pannon Egyetem Műszaki Informatikai Kar

Az oldal cookie-t használ a felhasználói élmény javítása érdekében. Elfogadásával hozzájárul a cookie-k gyűjtéséhez. A cookie-król bővebben: wiki.