Večina sistemov umetne inteligence temelji na strojnem učenju, ki omogoča samodejno izgradnjo modelov za napovedovanje, kategorizacijo, gručenje in razlago podatkov. V prvem delu predavanja bova predstavila izbrane metode strojnega učenja za analizo relacijskih podatkov in omrežij, ki temeljijo na pretvorbi podatkov v učinkovitejšo tabelarično obliko. V drugem delu predavanja bova podala pregled izbranih metod učenja vektorskih predstavitev tekstovnih podatkov, zasnovanih na tehnologiji globokih nevronskih mrež. Izbor metod in odprtokodnih implementacij učnih algoritmov smo predstavili v monografiji Representation Learning: Propositionalization and Embeddings, ki je v soavtorstvu N. Lavrač, V. Podpečana in M. Robnik-Šikonje leta 2021 izšla pri založbi Springer.
Od laboratorija do industrije: kako zgraditi velike kvantne računalnike?
Področje kvantnih tehnologij je v zadnjih dveh desetletjih doživelo izjemen razvoj. Nedavni napredki so omogočili gradnjo kvantnih računalnikov z več sto kubiti ter demonstracijo kvantnega popravljanja napak. Kljub temu pa pot do praktičnih kvantnih računalnikov z...
