Abstrakt

Současné trendy v informačních technologiích ukazují na nutnost vyvinout více efektivní metody pro strukturální analýzu dat a data mining. Zároveň tyhle směry otevírají nové perspektivy pro další rozvoj informatiky. Zde vidíme možnost zhodnotit zkušenosti týmu v oblasti neuronových sítí a restartovacích automatů. Několik typů problémů z oblasti strukturálního rozpoznávání vzorů a data miningu jsou dosti podobné a na jejich řešení by šlo použít učení neuronových sítí nebo restartovacích automatů z příkladů.

Naše cíle jsou

• Vyvinout nové metody pro efektivní extrakci poznatků. Rozšířit tyhle metody také na extrakci informace související s hierarchickou strukturou dat (použitím samoorganizující se analýzy a analýzy citlivosti v BP-sítích).
• Rozšířit původní 1D model restartovacích automatů tak, aby pracoval na 2D vstupech, například na obrázcích. Analyzovat teoretické vlastnosti 2D-restartovacích automatů, resp. 2D-gramatik.
• Implementovat vyvinuté metody a testovat je s cílem určit jejich limity v praktických aplikacích. Použít vyvinuté softwarové moduly v dvou pilotních studiích – extrakci poznatků (například pro ekonomické nebo multimediální data) a na strukturální rozpoznáváni matematických vzorců.