Студенткиња Дејана Мандић одбранила је дипломски рад на тему "Условни неурални процеси"

Студенткиња Рачунарског факултета Дејана Мандић је 6. септембра 2021. године одбранила дипломски рад на тему Условни неурални процеси пред комисијом коју су чинили ментор, др Немања Илић и члан, др Јелена Васиљевић.
 
Подаци су данас лако доступни и свакодневно добијамо огромне количине нових информација и података. Међутим, нису сви ти подаци употребљиви. Константним и убрзаним развојем машинског учења долази до све веће употребљивости одређених података али и све већег броја проблема на које покушавамо применити новонастале алгоритме и методе машинског учења. Порастом проблема које покушавамо да решимо, долазимо до успешних али исто тако и неуспешних решења, која је потребно побољшати или смислити нова. То даље доводи до потребе за новим методама које ће надмашити постојеће у свакодневним проблемима, за које још нисмо нашли решење које сматрамо довољно ефикасним.

Дубоко учење је довело до огромног напретка у свету предикција вођених подацима, али постоји велики број проблема где овај приступ није лако применљив. Дубоке неуралне мреже захтевају велику количину података како би биле обучене за решавање неког проблема и притом, сваки пут морају бити обучене од почетка уколико желимо да их применимо на неки нови проблем.

Са друге стране, Гаусовски процеси статистички моделују проблем и веома ефикасно користе претходна знања у контексту новог проблема. Њихов проблем јесте што су рачунски неефиксани и веома брзо им расте трајање извршавања са порастом количине података. Потребно је некако превазићи проблеме ова два приступа и то доводи до новог приступа
(хибридног) тј. Неуралних процеса.  - наведено је у уводу.

 
У закључку свог рада, Дејана је истакла следеће: 
 
У овом раду, представљени су условни неурални процеси, модели који покушавају да мета-науче структуру и расподелу података и прилагоде се режиму решавања више задатака у некој области. Ови модели су се показали изузетно флексибилним за време тестирања и успевају да уграде претходна знања у сваки нови задатак који добијају. Приказано је како неурални процеси могу бити примењени на класичне проблеме машинског учења као што су регресија и класификација, али и нестандардни проблем, као што је реконструкција слика. Видели смо да је успешност неуралних процеса на овим задацима од великог значаја из разлога што не решавају исти скуп проблема као дубоке неуралне мреже. Условни неурални процеси су посебно погодни за режим рада са мало познатих података у време тестирања, где је потребна добра оцена несигурности модела. Дати су неки од примера употребе, који се могу сматрати основним. Поред тих основних примера, постоје далеко напреднији и компликованији примери употребе условних неуралних процеса, који се и даље истражују.
 
Фотографије са одбране доступне су у галерији.