Neperfektní učení multi-klasifikátoru

Abstract

Disertační práce se věnuje vytvoření pokročilého klasifikátoru založenému na využití neperfektních metod učení ke konstrukci tzv. skrytých tříd. Stěžejní je nová teorie optimálního sjednocování skrytých tříd tak, aby byla dosažena co nejvyšší kritická citlivost klasifikátoru. Součástí práce je návrh nového přístupu k samoorganizaci dat za využití difuze.

The doctoral thesis is focused on the construction of an advanced classifier based on the use of imperfect learning methods, which are used to construct so-called hidden classes. The new theory of the optimal unioning of hidden classes is crucial to achieve the highest critical sensitivity of the classifier. Part of the thesis is focused on the design of a new approach to self-organization of data using diffusion.