~~NOTOC~~

====== Laureaci konkursu PSSI na najlepszą rozprawę doktorską w dziedzinie Sztucznej Inteligencji w roku 2013 ======

{{  :pl:konkurs:kajdanowicz.jpg|Tomasz Kajdanowicz}}

===== Nagroda PSSI za najlepszą polską pracę doktorską ze Sztucznej Inteligencji w roku 2013 =====

**dr inż. Tomasz Kajdanowicz**, Politechnika Wrocławska \\
za pracę "//[[http://www.kajdanowicz.com/library/pssi2012konkurs-Kajdanowicz-rozprawa.pdf|Classification Methods based on Multi-label Problem Transformation]]//" \\
promotor: **dr hab. inż. Przemysław Kazienko.**

Rozprawa doktorska dotyczy zagadnień związanych z klasyfikacją wieloetykietową. Klasyfikacja wieloetykietowa pozwala na mapowanie wielu etykiet klas przypisanych jednocześnie do pojedynczej instancji danych. Aby sprostać problemom występującym w klasyfikacji wieloetykietowej bazującej na transformacji problemu, w pracy zaproponowano kilka nowych rozwiązań zapewniających bardziej dokładną klasyfikację dostępną w akceptowalnym czasie: Classifier Chain, AdaBoostSeq i uczenie się z kodami samokorygującymi. W pracy doktorskiej przedstawiono ocenę proponowanych metod, jak również przeprowadzono dyskusję na temat ich efektywności i złożoności obliczeniowej w porównaniu do innych aktualnych metod.

\\

\\

{{  :pl:konkurs:bigaj.jpg|Piotr Bigaj}}

===== Wyróżnienie w konkursie PSSI na najlepszą rozprawę doktorską w dziedzinie Sztucznej Inteligencji roku 2013 ===== 
**dr inż. Piotr Bigaj**, Instytut Badań Systemowych PAN \\
za pracę "//[[https://www.dropbox.com/s/rxbc8eg0jtesvfm/Doktorat_wersja_finalna_bez_podzienkowan.pdf|A memetic algorithm for the global path planning with movement constraints for a non-holonomic mobile robot]]//" \\
promotor: **prof. dr hab. inż. Janusz Kacprzyk**

Praca przedstawia nowatorskie rozwiązanie jednego z najistotniejszych problemów robotyki mobilnej jakim jest globalne planowanie ścieżki (ang. Global Path Planning GPP). Zagadnienie to to w ogólności sprowadza się do rozwiązania problemu optymalizacyjnego z ograniczeniami. Ograniczenia wiążą się z zestawem zasad planowania ścieżki w tym ograniczeniami ruchu jakie narzuca nieholonomiczność robota, natomiast aspekt optymalizacyjny uwidacznia się w fakcie poszukiwania najkrótszej, najbardziej „efektywnej” ścieżki. W rozprawie postawiona została i udowodniona teza iż algorytmy inspirowanie biologiczne, a w szczególności algorytmy memetyczne, mogą być efektywnym narzędziem do globalnego planowania ścieżki robotów, zarówno w przypadku holomicznych jak nieholonomicznych robotów mobilnych.

\\

\\


{{  :pl:konkurs:lech.jpg|Michał Lech}}

===== Wyróżnienie w konkursie PSSI na najlepszą rozprawę doktorską w dziedzinie Sztucznej Inteligencji roku 2013 ===== 
**dr inż. Michał Lech**, Politechnika Gdańska \\
za pracę "//[[http://sound.eti.pg.gda.pl/~mlech/pssi2013konkurs_lech_rozprawa.pdf|Metody i algorytmy sterowania procesami miksowania dźwięku za pomocą gestów w oparciu o analizę obrazu wizyjnego]]//" \\
promotor: **dr hab. inż. Bożena Kostek**

W ramach rozprawy opracowano nowatorski system miksowania dźwięku za pomocą gestów rąk rozpoznawanych na tle zmiennego obrazu wyświetlanego za pomocą projektora multimedialnego. Model rozpoznawania gestów oparty na analizie porównawczej strumieni wizyjnych – wyświetlanego przez projektor i pozyskanego z kamery – w którym zastosowano metody logiki rozmytej, maszyny wektorów nośnych i autorską metodę przetwarzania obrazu, zapewnił wysoką skuteczność bez konieczności stosowania elementów akwizycji takich jak emitery i czujniki podczerwieni.

\\

\\


{{  :pl:konkurs:napierala.jpg|Krystyna Napierała}}

===== Wyróżnienie w konkursie PSSI na najlepszą rozprawę doktorską w dziedzinie Sztucznej Inteligencji roku 2013 ===== 
**dr inż. Krystyna Napierała**, Politechnika Poznańska \\
za pracę "//[[http://www.cs.put.poznan.pl/knapierala/misc/pssi2013konkursNapierala-rozprawa.pdf|Improving Rule Classifiers For Imbalanced Data]]//" \\
promotor: **dr hab. inż. Jerzy Stefanowski**

Rozprawa dotyczy uczenia klasyfikatorów regułowych z danych, w których jedna z klas jest dużo mniej liczna niż pozostałe. Takie rozkłady często występują m.in. w medycynie, bankowości i diagnostyce technicznej, i stanowią problem dla standardowych metod uczenia. W pierwszej części pracy przeanalizowano źródła trudności w uczeniu z danych niezrównoważonych. Następnie opracowano dwa nowe algorytmy regułowe: (1) wykorzystujący eksperckie wyjaśnienia przypadków oraz (2) analizujący lokalne rozkłady przykładów.

\\

\\