Newsletter - December 2017
Εννέα (9) υποτροφίες από το ΕΚΕΦΕ «Δημόκριτος» για Διδακτορικό σε Αμερική και Καναδά
(https://www.iit.demokritos.gr/el/news/2018_scholarships)
Το Ινστιτούτο Πληροφορικής και Τηλεπικοινωνιών (ΙΠ&Τ) του ΕΚΕΦΕ «Δημόκριτος» προσφέρει και φέτος εννέα (9) υποτροφίες για την εκπόνηση Διδακτορικής διατριβής σε συνεργασία με Πανεπιστήμια των ΗΠΑ και του Καναδά με καταληκτική ημερομηνία υποβολής των αιτήσεων την 22α Δεκεμβρίου 2017. Οι υποτροφίες είναι για ένα έτος με δυνατότητα ανανέωσης για άλλα τρία έτη.
Οι ενδιαφερόμενοι καλούνται να υποβάλλουν αίτηση για τη χορήγηση υποτροφίας με στόχο την εκπόνηση Διδακτορικής διατριβής, στο πλαίσιο του προγράμματος εκπαιδευτικής και ερευνητικής συνεργασίας του ΙΠ&Τ με τα ακόλουθα Πανεπιστήμια:
- Rice University (RICE), ΗΠΑ (http://compsci.rice.edu/)
- University of Texas at Arlington (UTA), ΗΠΑ (http://cse.uta.edu/)
- University of Houston (UΗ), ΗΠΑ (http://www.cs.uh.edu/)
- Dalhousie University (DAL), Καναδάς (http://www.cs.dal.ca/)
Στο διαγωνισμό δύνανται να συμμετάσχουν:
α) Πτυχιούχοι ΑΕΙ Πληροφορικής ή Διπλωματούχοι Μηχανικών Η/Υ και Πληροφορικής, του εσωτερικού ή ισοτίμων του εξωτερικού, αναγνωρισμένων από το ΔΟΑΤΑΠ.
β) Φοιτητές τμημάτων ΑΕΙ Πληροφορικής ή Πολυτεχνικών τμημάτων Μηχανικών Η/Υ και Πληροφορικής, που πρόκειται να ολοκληρώσουν τις σπουδές τους έως τον Ιούλιο 2018.
γ) Μεταπτυχιακοί φοιτητές Πληροφορικής ή Μηχανικοί Η/Υ και Πληροφορικής, που πρόκειται να ολοκληρώσουν το μεταπτυχιακό τους έως τον Ιούλιο 2018.
Η εκδήλωση ενδιαφέροντος αφορά στις ακόλουθες ερευνητικές περιοχές:
- Robot motion planning
- Biological interaction modelling and analysis
- Robot motion signalling in joint action
- Identification of argument elements and argument relations in natural language texts
- Content-based analysis of multimedia
- Translating latent features to actionable knowledge
- Multimodal analysis of biomedical texts
- Computationally-Driven Contact-Free Physiological Measurements
- Big data analysis for precision medicine
Περαιτέρω πληροφορίες για τις ερευνητικές περιοχές, τα απαιτούμενα δικαιολογητικά και τη διαδικασία επιλογής, μπορείτε να βρείτε στο: https://www.iit.demokritos.gr/el/news/2018_scholarships
Καταληκτική ημερομηνία υποβολής αιτήσεων: 22/12/2017
Για περισσότερες πληροφορίες:
ΕΚΕΦΕ «Δημόκριτος»
Ινστιτούτο Πληροφορικής και Τηλεπικοινωνιών
Εργαστήριο Τεχνολογίας Γνώσεων και Λογισμικού (SKEL Lab)
Δρ. Β. Καρκαλέτσης (This email address is being protected from spambots. You need JavaScript enabled to view it.)
Τηλ.: 210 6503197
Ιστοσελίδα: https://www.iit.demokritos.gr/el/news/2018_scholarships
Γραμματεία Εργαστηρίου: Δώρα Κατσαμώρη, 210 650 3204
Το SKEL Lab στο διαδίκτυο:
https://www.iit.demokritos.gr/skel
Facebook | Twitter
Θέση Υποψηφίου Διδάκτορα στην περιοχή της Εξόρυξης Δεδομένων στη σχολή Επιστημών Τεχνολογίας του Διεθνούς Πανεπιστημίου της Ελλάδος
Η Σχολή Επιστημών Τεχνολογίας του Διεθνούς Πανεπιστημίου της Ελλάδος καλεί υποψήφιους που ενδιαφέρονται για την απόκτηση Διδακτορικού Διπλώματος στην ερευνητική περιοχή της εξόρυξης δεδομένων να καταθέσουν σχετική αίτηση μέχρι 22 Δεκεμβρίου 2017. https://www.ihu.edu.gr/index.php/news-events/item/1311-vacancy-for-phd-studies-in-data-mining,-immediately-available-at-the-school-of-science-and-technology.html The School of Science and Technology of the International Hellenic University invites the submission of applications from candidates who are interested in studying for a PhD degree in the field of Data Mining.Applicants should submit the application form and all required documents to the Secretariat of the School of Science and Technology no later than December 22nd, 2017.
Επιλογή μεταβλητών και Εκμάθηση Μπεϋζιανών δικτύων στην R με το πακέτο MXM
Μιχαήλ Τσαγρής και Ιωάννης Τσαμαρδίνος
Εργαστήριο MXM, Τμήμα Επιστήμης Υπολογιστών, Πανεπιστήμιο Κρήτης, Ηράκλειο.
Το ΜΧΜ (Lagani et al., 2017) είναι μία ευέλικτη βιβλιοθήκη στην R η οποία προσφέρει αλγόριθμους επιλογής μεταβλητών για προβλεπτικά ή διαγνωστικά μοντέλα και εκμάθησης Μπεϋζιανών δικτύων από σύνολα δεδομένων (datasets). Η επιλογή μεταβλητών γίνεται με αλγόριθμους τεχνολογίας αιχμής όπως η FBED (Borboudakis and Tsamardinos, 2017). Όλοι οι αλγόριθμοι που υπάρχουν στο πακέτο μπορούν να διαχειριστούν πολλούς τύπους μεταβλητών, όπως συνεχείς, ποσοστά, δίτιμες, ονομαστικής και διατακτικής κλίμακας, χρόνους επιβίωσης, επαναλαμβανόμενες μετρήσεις κ.ά. Επιπλέον, παρέχεται η δυνατότητα του κριτηρίου με τον οποίο θα γίνει η επιλογή μεταβλητών, όπως likelihood ratio test, Wald test, permutation test ή BΙC και eBIC. Τέλος να τονίσουμε ότι ο αλγόριθμος SES (Tsamardinos et al., 2012, Lagani et al., 2017) είναι ένας από τους λίγους στη βιβλιογραφία που επιστρέφει πολλαπλές λύσεις ισοδύναμων μεταβλητών.
Tα Μπεϋζιανά δίκτυα (Spirtes et al., 2001, Tsamardinos et al., 2006) είναι κατευθυνόμενοι γράφοι και χρησιμοποιούνται τόσο για την αναπαράσταση της από κοινού κατανομής των δεδομένων όσο και για την εύρεση αιτιακών σχέσεων μεταξύ μεταβλητών. Οι αλγόριθμοι, που υπάρχουν στο ΜΧΜ, για την κατασκευή αυτών των γράφων, βασίζονται σε στατιστικές μεθόδους και δεν περιορίζονται σε συνεχή ή κατηγορικά μόνο δεδομένα, αλλά περιλαμβάνουν και μικτού τύπου δεδομένα, όπως συνεχή, κατηγορικά και διατακτικά (Tsagris et al., 2017). Επιπλέον επιλογές είναι τα διαδραστικά γραφήματα Μπεϋζιανών δικτύων αλλά και μη κατευθυνόμενων γράφων καθώς και συναρτήσεις χρησιμότητας, όπως εκτίμηση του ποσοστού των λανθασμένων ακμών (Brown and Tsamardinos, 2008) ή του βαθμού εμπιστοσύνης των ακμών (Triantafillou et al., 2014) και καμπύλες ROC.
Περισσότερες πληροφορίες και tutorials για το πακέτο θα βρείτε εδώ. Τέλος να τονίσουμε ότι το πακέτο ανανεώνεται τακτικά με την προσθήκη νέων αλγορίθμων και συναρτήσεων.
Αναφορές
- Borboudakis G. and Tsamardinos I. (2017). Forward-Backward Selection with Early Dropping. https://arxiv.org/pdf/1705.10770.pdf .
- Lagani V., Athineou G., Farcomeni A., Tsagris M. and Tsamardinos I. (2017). Feature Selection with the R Package MXM: Discovering Statistically Equivalent Feature Subsets. Journal of Statistical Software, 80(7): 1-25.
- Triantafillou S., Tsamardinos I. and Roumpelaki A. (2014). Learning neighborhoods of high confidence in constraint-based causal discovery. European Workshop on Probabilistic Graphical Models, pp. 487-502.
- Spirtes P., Glymour C. and Scheines R. (2001). Causation, Prediction, and Search. MIT Press, Cambridge, USA, 3nd edition.
- Tsamardinos, Brown and Aliferis (2006). The max-min hill-climbing Bayesian network structure learning algorithm. Machine learning, 65(1), 31-78.
- Tsamardinos, I, and Brown L.E. (2008). Bounding the False Discovery Rate in Local Bayesian Network Learning. AAAI 2008.
- Tsamardinos I, Lagani V. and Pappas D. (2012). Discovering multiple, equivalent biomarker signatures. In proceedings of the 7th conference of the Hellenic Society for Computational Biology & Bioinformatics - HSCBB12.
- Tsagris M., Borboudakis G., Lagani V. and Tsamardinos I. (2017). Constraint-based Causal Discovery with Mixed Data. 23d ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD 2017).