W ostatnich dekadach możemy zauważyć wzmożone zainteresowanie różnymi technikami uczenia maszynowego, stosowanymi do rozwiązywania problemów z wszystkich dziedzin życia. Tak duża popularność jest spowodowana faktem, że metody uczenia maszynowego potrafią radzić sobie z problemami, które są trudne do rozwiązania w konwencjonalny sposób, z powodu nieznajomości reguł nimi rządzącymi. Ze względu na właściwości uczenia się i uogólniania wiedzy, metody te są w stanie rozwiązać wiele problemów. Techniki sztucznej inteligencji osiągają wysoką wydajność w różnych dziedzinach nauki. Zalety uczenia maszynowego (w szczególności inteligencji obliczeniowej) leżą we właściwościach odziedziczonych po ich biologicznych odpowiednikach, takich jak uczenie się i uogólnianie wiedzy (np. sztuczne sieci neuronowe), globalna optymalizacja (np. algorytmy genetyczne) czy stosowanie nieprecyzyjnych terminów (np. systemy rozmyte).

W wystąpieniu zostaną przedstawione badania, w których czerpano inspirację z trzech bardzo intensywnie rozwijanych, w ostatnim czasie, obszarów uczenia maszynowego: a) uczenia zespołowego, b) uczenia głębokiego i c) obliczeń ewolucyjnych.

Prowadzone badania doprowadziły do zaprojektowania nowych skutecznych metod uczenia maszynowego (np. głębokich genetycznych zespołów klasyfikatorów) lub opracowania nowych procedur przetwarzania i analizy danych. Nowe metody i metodyki badań stosowano w problemach: a) rozpoznawania gatunków herbaty i przybliżania stężenia fenolu na podstawie sygnałów z elektronicznego nosa, b) diagnozowania arytmii serca na podstawie sygnału EKG, c) rozpoznawania osób na podstawie gestów z ekranu dotykowego, d) rozpoznawania gestów języka mowy ciała na podstawie sygnałów z rękawicy, e) identyfikowania rodzajów atramentu i papieru na podstawie widm chromatograficznych (LIBS), f) oceniania wiarygodności podmiotu ubiegającego się o kredyt bankowy, g) diagnozowania nowotworu wątrobowokomórkowego, oraz h) diagnozowania choroby niedokrwiennej serca.