Modernin tekoälyn perusta on koneoppiminen: älykkyys syntyy suurien datamäärien analyysistä. Koneoppimisen tärkeimpiä tavoitteita on löytää datassa piileviä tekijöitä ja syitä, mikä on nk. ohjaamattoman oppimisen erikoistapaus. Tässä projektissa tutkitaan erästä ohjaamattoman oppimisen mallia, riippumattomien komponenttien analyysiä (ICA). Malli on hyvin tunnettu lineaarisessa tapauksessa, mutta yleisten epälineaaristen riippumattomien komponenttien löytäminen on hyvin haastavaa ja siinä ei ole paljoa edistytty ennen aivan viime vuosia. Tässä projektissa tarkoituksena on tutkia kyseistä teoreettinen viitekehystä ja mahdollistaa sen yleinen soveltaminen. On tarpeellista kehittää epälineaarisen ICAn teoriaa, suunnitella uusia algoritmeja, ja tutkia erilaisia tapoja kuinka sitä voidaan käyttää datan analyysissä. Päämääränä on tehdä epälineaarisesta ICAsta ohjaamattomen oppimisen vallitseva paradigma, erityisesti neuroverkkojen eli nk. syväoppimisen alalla.

2020

2024