Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Applications of AI for Anomaly Detection

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27740%2F23%3A10252587" target="_blank" >RIV/61989100:27740/23:10252587 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://events.it4i.cz/event/159/" target="_blank" >https://events.it4i.cz/event/159/</a>

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Applications of AI for Anomaly Detection

  • Popis výsledku v původním jazyce

    Detecting anomalies is challenging as it is hard to retrieve labeled training data for supervised training. Anomalies are after all events that occur less likely and sporadically. They also can show a broad range of effects which not all can be covered during training.Different approaches are hence needed in order to train the machine and deep learning models for identifying situations that are rare and cannot be (fully) labeled.This course covered three different methods, using XGBoost, Autoencoders, and Generative Adversarial Networks (GANs). For each, detailed hands-on exercises were provided to learn how to use these methods and how to tackle the lack of labeled training data.

  • Název v anglickém jazyce

    Applications of AI for Anomaly Detection

  • Popis výsledku anglicky

    Detecting anomalies is challenging as it is hard to retrieve labeled training data for supervised training. Anomalies are after all events that occur less likely and sporadically. They also can show a broad range of effects which not all can be covered during training.Different approaches are hence needed in order to train the machine and deep learning models for identifying situations that are rare and cannot be (fully) labeled.This course covered three different methods, using XGBoost, Autoencoders, and Generative Adversarial Networks (GANs). For each, detailed hands-on exercises were provided to learn how to use these methods and how to tackle the lack of labeled training data.

Klasifikace

  • Druh

    O - Ostatní výsledky

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/MC2301" target="_blank" >MC2301: National Competence Centres in the framework of EuroHPC Phase 2 - EUROCC 2</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Ostatní

  • Rok uplatnění

    2023

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů