dr hab. Andrzej Bielecki, prof. AGH

Stosowane w informatyce systemy sztucznej inteligencji charakteryzują się dużą różnorodnością. Czerpią inspiracje z różnorodnych gałęzi nauki – niektóre oparte są na pierwowzorach biologicznych (sztuczne sieci neuronowe, algorytmy genetyczne i ewolucyjne, sztuczne systemy immunologiczne, systemy typu sworm intelligence), psychologicznych (systemy ekspertowe, systemy wieloagentowe); inne są bezpośrednim zastosowaniem technik matematycznych (systemy wnioskowania probabilistycznego, systemy predykcji oparte o szeregi czasowe, metody syntaktyczne bazujące na strukturach algebraicznych). W zasadzie we wszystkich rodzajach systemów sztucznej inteligencji metody matematyczne są stosowane zarówno do analizy własności tych systemów jak też są wykorzystywane jako techniki używane jako podstawa algorytmu działania danego systemy sztucznej inteligencji. Obecnie, po kilkudziesięciu latach badań nad tą problematyką, uzyskano liczne wartościowe rezultaty, z których niektóre zyskały rangę klasycznych – jako przykład można wymienić uzyskane w latach dziewięćdziesiątych dwudziestego wieku wyniki dotyczące aproksymacyjnych własności perceptronów, bazujące na twierdzeniu Kołmogorowa o aproksymacji pewnej klasy funkcji wielu zmiennych przy pomocy funkcji jednej zmiennej. Z drugiej strony, mimo wieloletnich intensywnych badań, wiele problemów dotyczących tej tematyki pozostaje otwartych. Przyczyną tego jest, między innymi, multidyscyplinanrość tematyki. Dlatego wymiana doświadczeń między specjalistami z różnych dziedzin jest dla tej tematyki kluczowa.

Tytuł wykładu lidera:
Topologiczne sprzężenie kaskad i własność shadowing w zastosowaniu do badania stabilności procesu nauki warstwowych sieci neuronowych.