Organizirali smo poletno šolo o rudarjenju velikih in kompleksnih podatkovij. Šola je vključevala predavanja o metodah napovednega modeliranja iz velikih in kompleksnimih podatkovij. Natančneje, predstavljene so bile metode, zmožne obdelovanja podatkov z naslednjimi lastnostmi: (a) strukturirani podatki na vhodni ali izhodni strani napovednega procesa, (b) zelo velike podatkovne množice (veliko primerov, visoke dimenzije ali velika hitrost prejemanja podatkov), (c) nepopolno oziroma delno označeni podatki, (č) podatki v prostorskem ali časovnem kontekstu. Uporabnost in potencial predstavljenih metod sta bila prikazana na primerih iz okoljskih znanosti (vključno s kmetijstvom), molekularne biologije, večpredstavnosti, družabnih omrežij in senzorskih omrežij. Na temo okoljskih zannosti je bilo predstavljenih več študij, narejenih v okviru pričujočega projekta, kot so modeliranje funkcij tal in napovedovanje kvalitete vode na kmetijskih površinah. Predavatelji so bili svetovno znani raziskovalci s področja strojnega učenja in rudarjenja podatkov, kot tudi strokovnjaki s področij uporabe. Šole se je udeležilo približno 100 oseb, predavanja pa so bila posneta in so dostopna preko spletnega portala videolectures.net.
B.01 Organizator znanstvenega srečanja
COBISS.SI-ID: 30338855Naša ekipa je zmagala na tekmovanju Evropske vesoljske agencije ESA Mars Express Power Challenge z zasnovo najboljše rešitve za napovedovanje porabe električne energije na vesoljski sondi. Spomladi 2016 je Evropska vesoljska agencija ESA organizirala tekmovanje v okviru katerega je bilo treba izdelati model za napovedovanje porabe električne energije na vesoljski sondi Mars Express. Čeprav je bila izstreljena že leta 2003 in je porabila že večino goriva, sonda še vedno deluje. Eden večjih problemov pri nadaljevanju delovanja je iztrošenost baterije, zato je ESA želela dobiti model, ki bi omogočal čim bolj točno napovedovanje potrebne energije za ogrevanje sonde ter s tem posredno določitev energije, ki je na voljo za znanstvena opazovanja. Razvili smo zmagovalno rešitev, ki za modeliranje uporablja metode strojnega učenja in sicer ansambelske metode za večciljno regresijo.
E.02 Mednarodne nagrade
COBISS.SI-ID: 30018599