Tornai Kálmán, Dr.
Pozíció:
dékánhelyettes, egyetemi docens
Kar:
ITK
Email:
tornai.kalman@itk.ppke.hu
Telefonszám:
+36-1-886-4705
Cím:
1083 Budapest, Práter utca 50/A II. em. 231. ajtó
Szobaszám:
231
Jegyzetek:
Kutatási témák hallgatóknak
Kutatási témáim középpontjában az adatalapú döntéstámogatás, a mesterséges intelligencia, a mintázatfelismerés, a szenzoradatok feldolgozása, valamint a komplex informatikai rendszerek működésének elemzése áll. A témák közös célja, hogy valós rendszerekből származó adatok alapján olyan módszereket, modelleket és algoritmusokat vizsgáljunk, amelyek gyakorlati környezetben is használható eredményekhez vezetnek.
Olyan hallgatók jelentkezését várom, akiket érdekel a gépi tanulás, az adatbányászat, a folyamatmodellezés, az anomáliadetektálás, az intelligens energetikai rendszerek, a közigazgatási informatikai rendszerek elemzése vagy a nyílt halmaz alapú felismerés. Nem elvárás, hogy a jelentkező már a munka elején minden szükséges módszert ismerjen. Fontosabb a nyitottság, az önálló gondolkodás, a kísérletező szemlélet és az igényes dokumentáció készítésére való törekvés.
A kiírt témák alkalmasak lehetnek önálló laboratóriumi munkára, szakdolgozatra, diplomamunkára, TDK-dolgozatra, illetve megfelelő érdeklődés és elmélyülés esetén akár hosszabb távú kutatási együttműködés vagy PhD-kutatás megalapozására is.
Folyamatmodellezés és adatelemzés közigazgatási informatikai rendszerekben
A közigazgatás működése ma már elképzelhetetlen összetett informatikai rendszerek nélkül. Ezek a rendszerek nem csupán ügyviteli vagy nyilvántartási feladatokat támogatnak, hanem folyamatosan naplózzák a működésük során keletkező eseményeket is. Az ilyen naplóadatok elemzése lehetőséget ad arra, hogy közvetett módon következtetéseket vonjunk le az egyes közigazgatási folyamatok működéséről, hatékonyságáról, esetleges szűk keresztmetszeteiről vagy minőségi jellemzőiről.
A téma célja annak vizsgálata, hogy megvalósult informatikai rendszerek működési adatai alapján milyen folyamatmodellek állíthatók elő, ezek hogyan értelmezhetők, és milyen statisztikai vagy összehasonlító elemzések végezhetők rajtuk. A munka során a hallgató megismerkedhet a folyamatbányászat, a folyamatmodellezés, az eseménynapló-elemzés és az adatvezérelt minőségértékelés alapjaival.
Mintázatfelismerés intelligens elektromos hálózatok fogyasztási adataiban
Az intelligens elektromos hálózatok egyik fontos feladata a fogyasztók viselkedésének elemzése és osztályozása. A villamosenergia-fogyasztási adatokból kinyerhető mintázatok segítségével pontosabb képet kaphatunk a terhelési szokásokról, a fogyasztói profilokról, valamint a hálózat működését befolyásoló jelenségekről.
A téma keretében aggregált elektromos fogyasztási adatsorokon kell mintázatfelismerési, gépi tanulási és statisztikai módszereket vizsgálni. A cél olyan eljárások megismerése, tesztelése és továbbfejlesztése, amelyek képesek fogyasztói csoportokat azonosítani, viselkedési mintázatokat felismerni, illetve támogatni az energiahatékonyabb működést és a pontosabb kapacitástervezést.
A téma különösen ajánlott azoknak, akiket érdekel az adatelemzés, az idősorok feldolgozása, a gépi tanulás gyakorlati alkalmazása, valamint az energetikai rendszerek és az okos hálózatok világa.
Mélytanulás és nyílt halmaz alapú felismerés
A hagyományos gépi tanulási és mélytanulási rendszerek gyakran abból indulnak ki, hogy a tanítás során minden fontos osztály ismert. A valós alkalmazásokban azonban gyakran előfordul, hogy a rendszer olyan mintákkal találkozik, amelyek nem tartoznak egyik ismert kategóriába sem. Ilyenkor különösen fontos, hogy a modell ne kényszerítse ezeket a mintákat valamelyik ismert osztályba, hanem képes legyen felismerni az ismeretlenséget.
A nyílt halmaz alapú felismerés célja olyan algoritmusok fejlesztése, amelyek nemcsak az ismert osztályok elkülönítésére alkalmasak, hanem az ismeretlen vagy szokatlan minták azonosítására is. Ez a terület szorosan kapcsolódik az anomáliadetektáláshoz, az outlier felismeréshez, a robusztus mesterséges intelligenciához és a biztonságkritikus rendszerekhez.
A kutatási feladat része lehet meglévő mélytanulási módszerek implementálása, új hálózati struktúrák vagy veszteségfüggvények vizsgálata, valamint olyan tanítási és kiértékelési eljárások kidolgozása, amelyek kiegyensúlyozatlan adathalmazok esetén is használhatók.
Szenzoradat-feldolgozás, szenzorfúzió és viselkedés-előrejelzés
Az okos eszközök, szenzorhálózatok és intelligens monitorozó rendszerek elterjedésével egyre több olyan adatforrás áll rendelkezésre, amelyek segítségével viselkedési mintázatok, működési állapotok vagy rendellenes események azonosíthatók. A különböző szenzorokból származó adatok együttes feldolgozása új lehetőségeket teremt az objektumfelismerésben, az állapotbecslésben, a predikcióban és az automatikus beavatkozó rendszerek fejlesztésében.
A kutatási irány célja szenzorhálózatokból kinyerhető adatok hatékony feldolgozása, szenzorfúziós megoldások vizsgálata, valamint olyan algoritmusok fejlesztése és értékelése, amelyek képesek információt kinyerni összetett, zajos vagy hiányos adatkörnyezetből. Kiemelt szempont a robusztusság, az ismeretlen minták felismerése, az anomáliák detektálása és a valós alkalmazási környezetben történő kipróbálhatóság.
A fő alkalmazási területek közé tartoznak az intelligens felügyeleti, monitorozó és beavatkozó rendszerek, valamint az energiahatékonyságot támogató megoldások. A kutatás kapcsolódhat intelligens elektromos hálózatokhoz, okos épületekhez, ipari mérőrendszerekhez vagy más szenzoralapú alkalmazásokhoz.
Publikációk
|
Publikáció éve
|
Cím
|
Szerző
|
