Optymalizacja i ewaluacja w wyzwaniach uczenia maszynowego
| dc.contributor.advisor | Graliński, Filip. Promotor | |
| dc.contributor.author | Pokrywka, Jakub | |
| dc.date.accessioned | 2023-11-22T14:29:39Z | |
| dc.date.available | 2023-11-22T14:29:39Z | |
| dc.date.issued | 2023 | |
| dc.description | Wydział Matematyki i Informatyki | |
| dc.description.abstract | W celu rozwoju nowych metod uczenia maszynowego konieczna jest ich rzetelna ewaluacja. Niniejsza praca doktorska opisuje pewne aspekty metodyki tworzenia wyzwań uczenia maszynowego oraz technik opracowywania ich rozwiązań. Praca składa się z cyklu siedmiu artykułów opublikowanych w materiałach pokonferencyjnych międzynarodowych konferencji. Publikacje dotyczą przetwarzania języka naturalnego, widzenia komputerowego i prognozowania szeregów czasowych. W trzech z nich autor dysertacji jest jedynym autorem, w innych trzech jest pierwszym autorem, w ostatniej jest drugim autorem. Trzy prace wprowadzają nowe wyzwania, opisując metodologię pozyskania datasetu, podziału między danymi trenującymi i testowymi, doboru metryk ewaluacyjnych, przygotowywania baseline. Jedna praca opisuje usprawnienie istniejącego wyzwania oraz ewaluuje szereg modeli w ramach tego wyzwania. Pozostałe trzy prace prezentują rozwiązania do istniejących wyzwań i zawierają między innymi techniki optymalizacji modeli. To develop new machine learning methods, it is necessary to evaluate them reliably. This doctoral thesis discusses some aspects of preparing machine learning challenges and techniques for developing their solutions. The work consists of seven papers published in international conference proceedings concerning natural language processing, computer vision, and time series forecasting. The thesis author is the sole author of three of them, the first author of three others, and a second author of the remaining one. Three papers introduce new challenges, describing the methodology of dataset acquisition, preparation of dataset splits, choice of evaluation metric, and preparation of baselines. One paper reports the improvement of an existing challenge and evaluates various methods for it. The remaining three papers provide solutions to existing challenges, including model optimization techniques. | |
| dc.identifier.uri | https://hdl.handle.net/10593/27495 | |
| dc.language.iso | en | |
| dc.subject | uczenie maszynowe | |
| dc.subject | wyzwania uczenia maszynowego | |
| dc.subject | przetwarzanie języka naturalnego | |
| dc.subject | machine learning | |
| dc.subject | shared tasks | |
| dc.subject | natural language processing | |
| dc.title | Optymalizacja i ewaluacja w wyzwaniach uczenia maszynowego | |
| dc.title.alternative | Optimization and Evaluation in Machine Learning Challenges | |
| dc.type | info:eu-repo/semantics/doctoralThesis |