Seminář UPSY - Holeňa M.: Data mining ve službách evoluční optimalizace

Přednáška se bude týkat black-box optimalizace, tj. optimalizace funkcí, pro něž nemáme explicitní ani implicitní analytické vyjádření, ale hodnoty získáváme měřením nebo pomocí experimentů, ať už reálných či simulovaných. Pro black-box optimalizaci se většinou používají evoluční algoritmy, úspěšné díky slabým předpokladům o optimalizované fitness. Velký počet vyhodnocení blackbox fitness, který vyžadují, je však problémem v situacích, kdy získání jejích hodnot je časově náročné a/nebo nákladné. K řešení tohoto problému se zhruba 15 let používá data mining, aplikované na data z dosavadního průběhu optimalizace. Jeho výsledkem je náhradní model blackbox fitness, který většinu jejích vyhodnocení eliminuje. V přednášce budou diskutovány náhradní modely založené na dopředných neuronových sítích, gaussovských procesech a náhodných lesech.

Bio: Martin Holeňa vystudoval aplikovanou matematiku na FJFI (fakultě jaderné a fyzikálně inženýrské) ČVUT a pravděpodobnost a matematickou statistiku na MFF (matematicko-fyzikální fakultě) UK. Doktorát z kybernetiky získal v Československé akademii věd, habilitoval se v teoretické informatice na MFF UK. Pracuje jako vedoucí vědecký pracovník Ústavu informatiky AV ČR, je členem rady ústavu. Jako přednášející a školitel doktorandů působí na MFF UK, FJFI ČVUT a FIT (fakultě informačních technologií) ČVUT.

Hlavním odborným zájmem Martina Holeni je data mining a jeho aplikace, zejména interpretabilita modelů a využití metod výpočtové inteligence, konkrétně fuzzy logiky, evolučních algoritmů a umělých neuronových sítí. Od doby svých postdoc-pobytů na univerzitách v Paderbornu (1993-95) a Magdeburgu (1996-8) intenzivně spolupracuje s německými vysokými školami a výzkumnými ústavy na aplikacích metod data mining v biologii, chemii a materiálových vědách. Je autorem více než 150 publikací, včetně 1 monografie a 34 časopiseckých článků.