Na področju znanosti o življenju smo metode za analizo modelov oz. gradnjo nadomestnih modelov uporabili v medicinskem kontekstu. Nedavno smo uvedli novo metodologijo za neinvazivno analizo strukture in sestave človeške kože in vivo. Pristop združuje pulzno fototermalno radiometrijo (PPTR), ki vključuje časovno ločene meritve srednje infrardeče emisije po obsevanju z milisekundnim svetlobnim pulzom, in difuzno refleksijsko spektroskopijo (DRS) v vidnem delu spektra. Hkratno prilagajanje obeh podatkovnih nizov ustreznim napovedim iz numeričnega modela prenosa svetlobe v človeški koži omogoča oceno vsebnosti kožnih kromoforjev (melanina, oksi- in deoksi-hemoglobina) ter lastnosti razprševanja in debeline epidermisa in dermisa. Vendar je iterativna optimizacija 14 parametrov modela kože z uporabo numeričnega naprednega modela (tj. inverzni Monte Carlo - IMC) računsko zelo draga. Da bi odpravili to pomanjkljivost, smo z uporabo strojnega učenja izdelali zelo hiter nadomestni napovedni model (NM). NM vključuje naključne gozdove, naučene na približno 9 000 primerih, izračunanih s pomočjo našega naprednega modela MC. Pokazali smo, da je učinkovitost takega NM zelo zadovoljiva, tako pri objektivnem testiranju z uporabo navzkrižne validacije kot pri neposrednih primerjavah s postopkom IMC. Predstavljamo tudi hibridni pristop (HP), ki združuje hitrost NM z vsestranskostjo postopka IMC. V primerjavi s slednjim, HP izboljša natančnost in robustnost inverzne analize, hkrati pa znatno skrajša računski čas.
F.01 Pridobitev novih praktičnih znanj, informacij in veščin
COBISS.SI-ID: 33232423Strojno učenje smo uporabili za gradnjo nadomestnih modelov na področju daljinskega zaznavanja. Nadomestni modeli aproksimirajo napovedi drugih modelov. Motivacija za učenje nadomestnih modelov je lahko povezana z računskimi težavami, kadar je pridobivanje napovedi izvirnega modela računsko drago. Po drugi strani pa so nadomestni modeli računsko učinkoviti. V tem članku predlagamo okvir za strojno učenje nadomestnih modelov, ki delujejo na istem vhodnem in izhodnem prostoru kot izvirni modeli. Namesto učenja neposrednih preslikav iz vhodnega v izhodni prostor (in obratno) najprej ocenimo notranjo dimenzionalnost vhodnega in izhodnega prostora ter jo ustrezno zmanjšamo z uporabo PCA in avtoenkoderjev. Napovedne modele se naučimo na zmanjšanih prostorih z uporabo nevronskih mrež in njihove napovedi preslikamo v prvotne prostore. Okvir uporabljamo za učenje nadomestnega modela za kompleksen model sevalnega prenosa RemoTeC, ki je bil zasnovan in zgrajen na Nizozemskem. Izvirni model napoveduje kratkovalovne infrardeče (SWIR) spektre za dani vektor stanja atmosferskih parametrov, ki so reprezentativni za katero koli geografsko lokacijo, na katero lahko naleti satelit Sentinel 5P. Rezultati kažejo na nizko dimenzionalnost vhodnega in izhodnega prostora ter so natančni tako v smeri naprej kot nazaj.
F.01 Pridobitev novih praktičnih znanj, informacij in veščin
COBISS.SI-ID: 52269827Organizirali smo DS 2019, 22. mednarodno konferenco o znanosti odkrivanja (zakonitosti v podatkih) v Splitu na Hrvaškem. Konferenca je potekala od 28. do 30. oktobra 2019. Vsebinsko je ta serija konferenc najbližja tematiki našega projekta. Konference se je udeležilo približno 80 udeležencev z vsega sveta. Program je vključeval tri vabljena predavanja o metodah za odkrivanje znanja iz kompleksnih podatkov in njihovi uporabi v okoljskih in naravoslovno-medicinskih znanostih. Vključeval je tudi 26 rednih prispevkov (in 19 kratkih), ki so bili izbrani s strani recenzentov izmed 76 prijavljenih prispevkov. Splošni vodja konference (angl. general chair) je bil profesor Džeroski, vodja projekta. Bil je sourednik zbornika, ki redno izhaja pri založbi Springer v seriji Lecture Notes in Computer Science. Profesor Džeroski je trenutno predsednik upravnega oz. usmerjevalnega odbora (angl. steering committee) te serije konferenc (v obdobju 2018-2023), nadzoroval je organizacijo konference v letu 2020 in trenutno spremlja njeno organizacijo v letu 2021.
B.01 Organizator znanstvenega srečanja
COBISS.SI-ID: 32805927