Gaussian Processes for Modelling and Optimization of Engineering Systems

Promovendus/a
Nicolas Knudde
Faculteit
Faculteit Ingenieurswetenschappen en Architectuur
Vakgroep
Vakgroep Informatietechnologie
Curriculum
Master of Engineering Physics, Universiteit Gent, 2016
Academische graad
Doctor in de ingenieurswetenschappen
Taal proefschrift
Engels
Vertaling titel
Gaussische processen voor data-efficiënte modellering en optimalisatie van ingenieurssystemen
Promotor(en)
prof. Tom Dhaene, vakgroep Informatietechnologie - dr. Ivo Couckuyt, vakgroep Informatietechnologie
Examencommissie
voorzitter prof. Filip De Turck (academisch secretaris) - dr. Ivo Couckuyt (Vakgroep Informatietechnologie) - prof. Tom Dhaene (Vakgroep Informatietechnologie) - prof. Jan Fostier (Vakgroep Informatietechnologie) - prof. Nobby Stevens (KU Leuven) - prof. Sofie Van Hoecke (Vakgroep Elektronica en Informatiesystemen) - prof. Inneke Van Nieuwenhuyse (Universiteit Hasselt)

Korte beschrijving

In de laatste decennia hebben Artificiële Intelligentie in het algemeen en meer specifiek Machinaal Leren (ML), zowel in de academische wereld als de privésector, aan populariteit gewonnen. Ruwweg gesproken probeert ML modellen te construeren die de capaciteit hebben om verbanden in data te ontdekken. Bijvoorbeeld: de prijs van een aandeel te proberen voorspellen a.d.h.v. bepaalde financiële indicatoren, de aerodynamische performantie van een wagen voorspellen gegeven de geometrische parameters. Wegens de explosieve groei van beschikbaarheid aan data in de privésector (denk aan afbeeldingen op Facebook of klanten op Netflix), is er veel onderzoek gedaan naar modellen die deze grote hoeveelheden kunnen uitbuiten. Echter, er is lang niet voor alle problemen een grote hoeveelheid aan data beschikbaar. In vele problemen, zijn de datasets klein of moet de data nog verzameld worden. Het samenstellen van deze datasets hangt dikwijls af van arbeidsintensieve metingen of computationeel dure simulaties. Hierdoor zijn modellen die voldoende accuraat zijn wanneer er weinig data voorhanden is essentieel, alsook methoden die de dataset op een efficiënte manier kunnen uitbreiden, deze methoden zijn het onderwerp van deze thesis.

Praktisch

Datum
Woensdag 21 oktober 2020, 17:00
Livestream
Volg online

via livestream/videoconferentie, zie link hierboven, maatregel COVID19

Meer info

Contact
doctoraat.ea@UGent.be