Skip to main content
ENHU
Címlap

Main navigation

  • Felfedezés
    • Hírek
    • Események
    • Pályázatok
  • Kutatási területek
  • Anyagok
    • Publikációk
    • Letöltések
  • Rólunk
  • Partnerek
  1. Címlap

Csáji Balázs Csanád

Kutató
Számítástechnikai és Automatizálási Kutatóintézet
Széchenyi Plusz RRF

Csáji Balázs Csanád a SZTAKI tudományos főmunkatársa. Első diplomáját programtervező matematikusként szerezte az ELTE-TTK-n 2001-ben, majd filozófia szakos bölcsész diplomát szerzett az ELTE-BTK-n 2006-ban. Tanulmányai alatt 3-5 hónapos részképzésekben vett részt az Eindhoveni Műszaki Egyetemen (Hollandia, 2001), a British Telecomnál (Nagy Britannia, 2002), és a Johannes Kepler Egyetemen (Ausztria, 2003). 2004-től a SZTAKI Mérnöki és Üzleti Intelligencia Kutatólaboratóriumának dolgozója. Ph.D. fokozatát az ELTE Informatikai Karán védte meg 2008-ban. 

Doktorálása után a Louvaini Katolikus Egyetemen (Belgium) volt posztdoktori kutató, majd 2009-től a Melbournei Egyetemen (Ausztrália) dolgozott mint "Research Fellow", ahonnan 2013-ban tért haza. Csáji Balázs Csanád eredményeit több díjjal jutalmazták, például elnyerte az Ausztrál Kutatási Tanács (ARC) "Discovery Early Career Researcher Award (DECRA)" díját (alkalmazott matematika kategóriában), valamint az MTA Matematikai Tudományok Osztályának Gyires Béla díját. 

Kutatási területe a gépi tanulásban és rendszer identifikációban fellépő sztochasztikus modellek valószínűségelméleti és statisztikai vizsgálata, valamint ezek mérnöki és ipari alkalmazása.

  • Honlap
  • Linkedin
  • Google Scholar
  • MTMT

Kiemelt publikációk

  • Csáji, B.Cs.; Kis, K.B.: Distribution-free uncertainty quantification for kernel methods by gradient perturbations, Machine Learning, Vol. 108, No. 8-9, 2019, pp. 1677–1699.
  • Weyer, E.; Campi, M.C.; Csáji, B.Cs.: Asymptotic properties of SPS confidence regions, Automatica, Vol. 82, August 2017, pp. 287-294.
  • Csáji, B. Cs.; Campi, M. C.; Weyer, E.: Sign-Perturbed Sums: A New System Identification Approach for Constructing Exact Non-Asymptotic Confidence Regions in Linear Regression Models, IEEE Transactions on Signal Processing, IEEE Press, Vol. 69, 2015, pp. 169–181.
  • Csáji, B. Cs.; Monostori, L.: Adaptive Stochastic Resource Control: A Machine Learning Approach, Journal of Artificial Intelligence Research (JAIR), AAAI Press, Vol. 32, 2008, pp. 453–486.
  • Csáji, B. Cs.; Monostori, L.: Value Function Based Reinforcement Learning in Changing Markovian Environments, Journal of Machine Learning Research (JMLR), MIT Press and Microtome Publishing, Vol. 9, 2008, pp. 1679–1709.

 

Publikációk

Automated stem cell production by bio-inspired control

László Monostori
Balázs Csanád Csáji
Péter Egri
Krisztián B. Kis
József Váncza
Jelena Ochs
Sven Jung
Niels König
Simon Pieske
Stephan Wein
Robert Schmitt
Christian Brecher
Tovább
Tovább

Automated stem cell production by bio-inspired control

László Monostori
Balázs Csanád Csáji
Péter Egri
Krisztián B. Kis
József Váncza
Jelena Ochs
Sven Jung
Niels König
Simon Pieske
Stephan Wein
Robert Schmitt
Christian Brecher
Tovább
Tovább

Exact Distribution-Free Hypothesis Tests for the Regression Function of Binary Classification via Conditional Kernel Mean Embeddings

Ambrus Tamás
Balázs Csanád Csáji
Tovább
Tovább

Pagination

  • 1
  • 2
  • › Next page
  • » Last page
Címlap

LinkedIn

Become a partner

Subscribe to newsletter

Send partnership request

Explore

  • News
  • Events
  • Tenders
  • Publications
  • Downloads
  • Partners

Kutatási területek

  • Az MI alapjai
  • Biztonság és személyes adatok védelme
  • Gépi látás és érzékelés
  • Gépi tanuláson alapuló intelligens gyártás, logisztika, távközés IoT megoldások fejlesztése
  • Nyelvtechnológia fejlesztése
  • Orvosi, egészségügyi alkalmazások

Contact us

Hungary, H-1111 Budapest,
Kende u. 13-17.
+36 1 279 6000
@email

© 2020-2021 Artifical Intelligence National Laboratory, Budapest