Dobývání znalosti je velmi aktuální třída úloh na hranici mezi matematickou statistikou, optimalizací a aplikovanou informatikou. Výsledkem dobývání znalostí jsou obvykle neznámé parametry modelu s pevnou strukturou, selekce vhodného modelu či submodelu, nalezení ne-známé struktury modelu a následná interpretace výsledků. Kvalita nalezeného řešení je často formulována pomoci vhodné penalizační funkce, která je následně minimalizována. To posléze vede na netriviální úlohy z oblasti spojité, celočíselné, binární nebo diskrétní optimalizace.
U doktoranda je předpokládána znalost matematické statistiky, lineární algebry, mate-matické analýzy a programování v prostředí MATLABu spolu s výraznou osobní motivací k rozvoji nových metod dobývání znalostí. V průběhu studia budou vyvinuty nové metody re-dukce dimenze dat a následné klasifikace dat spolu s novými optimalizačními heuristikami pro jejich podporu. Dále budou vyvinuty nové nelineární modely pro hledání kauzalit v datech.
Dosažené výsledky budou publikovány v impaktovaných časopisech Journal of Heuris-tics, Soft Computing, Applied Soft Computing, Operation Research a dalších.
Literatura:
- Shu, X., Knowledge Discovery in the Social Sciences: A Data Mining Approach, University of California Press, 2020.
- Maimon, O., Rokach, L., Data Mining and Knowledge Discovery Handbook, Springer, 2010.
- Cios, K.J., Pedrycz, W., Swiniarski, R.W., Data Mining Methods for Knowledge Discovery, Springer, 2012.
- Freitas, A.A., Data Mining and Knowledge Discovery with Evolutionary Algorithms, Springer, 2013.