Znanstvena monografija "Foundations of Rule Learning" (Springer 2012, 334 strani), katere so-avtorica je prof.dr. Nada Lavrač, vodja programske skupine Tehnologije znanja, je plod večletnega raziskovalnega dela na področju strojnega učenja. Monografija poda celovit pregled raziskovalnega dela s področja učenja pravil, predstavi pa tudi osnove, tehnike in izbrane aplikacije učenja pravil s področja klasičnega strojnega učenja in sodobnega podatkovnega rudarjenja. Knjiga se lahko uporablja tudi kot učbenik strojnega učenja in podatkovnega rudarjenja. Deli knjige so prosto dostopni na spletni strani založbe Springer http://link.springer.com/book/10.1007/978-3-540-75197-7/
COBISS.SI-ID: 26327591
Obrambni odziv rastline na razne patogene, kot npr. viruse, je zelo kompleksen. V članku opisujemo signalne poti, ki so bistvene za obrambni odziv rastline: salicilna kislina, jasmnonična kislina in etilen kot poglavitne komponente signalne mreže v prototipni rastlini Arabidopsis thaliana. Začetno topologijo signalne mreže smo definirali ročno z izborom ustreznega formalizma, kompozicijo diagrama poti in kodiranjem informacij iz javnih bazi in literature. Ročno sestavljena mreža sestoji iz 175 komponent in 387 reakcij. Razvili smo nov pristop avtomatske ekstrakcije manjkajočih reakcij iz biološke literature, Bio3graph, v obliki trojk (komponenta1, reakcija, komponenta2). Tako ekstrahirane trojke tvorijo mrežo, ki jo lahko vizualiziramo, primerjamo z ročno sestavljeno mrežo in predložimo v evalvacijo ekspertom. Bio3graph smo uporabili na množici 9,586 relevantnih bioloskih člankov in iz njih ekstrahirali 137 novih relacij. Nazadnje smo združili ročno izdelano mrežo z avtomatsko ekstrahirano in dobili mrežo z 175 komponentami in 524 reakcijami. Končna mreža predstavlja razmeroma kompletno strukturo signalnih poti v rastlinski obrambi in je koristen vir za nadaljnje modeliranje in interpretacijo podatkov omike.
COBISS.SI-ID: 26363431
Razvili smo metodo, ki pravilno eksplicitno obravnava avtokorelacijo v podatkih, ki niso neodvisni in enako porazdeljeni (i.i.d.) ter omogoča več-nivojski vpogled v pojav avtokorelacije. Metoda temelji na konceptu dreves za napovedno razvrščanje (PCT) in se uporablja za različne naloge modeliranja, kot sta klasifikacija in regresija, kot tudi za nekatere naloge razvrščanja. To metodo smo uporabili na več realnih problemih prostorske regresije in klasifikacije, in pa na problemih omrežne regresije, ki prihajajo s področij socialnih in prostorskih omrežij. Nastali modeli se lahko prilagajajo lokalnim lastnostim podatkov, istočasno pa zagotavljajo zglajene napovedi.
COBISS.SI-ID: 26073895
Visoko dimenzionalne podatke je že zaradi njihove narave težko obdelovati z običajnimi metodami strojnega učenja. Raziskave so pokazale, da je možno izkoristiti nekatere lastnosti visoko dimenzionalnih podatkov za izboljšavo rezultatov algoritmov. Ena tovrstna lastnost je zvezdiščnost (angl. hubness), kjer so zvezdišča vplivne točke – točke ki so pogosto vključene v množico najbližjih sosedov drugih točk. V članku predlagamo nekaj mer za metodo klasifikacije z najbližjimi sosedi. Poskusi so pokazali, da predlagan mehek pristop daje dobre rezultate.
COBISS.SI-ID: 26382887
Knjiga je rezultat uspešnega evropskega projekta 7. OP BISON (Bisociation Networks for Creative Information Discovery). Člani programske skupine smo prispevali sedem poglavij, ki obravnavajo metode za odkrivanje novih povezav med domenami in za odkrivanje vzorcev v heterogenih podatkovnih virih. Knjiga je prosto dostopna na spletni strani založbe Springer http://www.springer.com/computer/ai/book/978-3-642-31829-0.
COBISS.SI-ID: 25939751