Promotie: Neural Dimensionality Reduction for Data Visualization

LET OP: De kandidaat houdt een lekenpraatje, hierdoor start de livestream een kwartier eerder.

Informatie is cruciaal voor de mens, omdat het ons in staat stelt om onvoorstelbare doelen te bereiken. Dit werk richt zich op de studie van informatie die bestaat uit heel veel metingen en variabelen per datapunt. Zulke data noemen we hoog-dimensionaal. Het visualiseren en begrijpen van hoog-dimensionale data is essentieel voor de ontwikkeling en verbetering van complexe systemen, zoals machine learning-modellen, maar ook voor het begrijpen van patronen in een dataset bij het uitvoeren van verkennende data-analyse. Een belangrijke aanpak om met dit type data om te gaan, is het gebruik van dimensionaliteitsreductie (DR), een klasse van algoritmen die het probleem van het vinden van patronen in deze complexe data vertaalt naar een visueel probleem. Zij doen dit door laag-dimensionale projecties van de data te creëren die relevante attributen behouden en vervolgens te visualiseren in de vorm van een scatterplot. In dit werk worden de synergieën tussen neurale netwerken, een populaire, krachtige en veelzijdige klasse van machine learning-modellen, en DR-technieken onderzocht, wat leidt tot nieuwe technieken, analyses en een dieper begrip van bestaande technieken en hoe deze worden geëvalueerd.