特征选择是开发强大而强大的机器学习模型的关键步骤。特征选择技术可以分为两类：过滤器和包装器方法。尽管包装器方法通常会产生强大的预测性能，但它们具有很大的计算复杂性，因此需要大量时间完成，尤其是在处理高维度集合时。或者，滤波器方法的速度要快得多，但是遭受了其他几个缺点，例如（i）需要阈值值，（ii）不考虑特征之间的相互关系，并且（iii）忽略与模型的特征相互作用。为此，我们提出了一种新颖的包装器特征选择方法PowerShap，该方法将统计假设测试和功率计算与Shapley值结合使用，以进行快速和直观的特征选择。 PowerShap建立在核心假设的基础上：与已知的随机功能相比，信息功能将对预测产生更大的影响。基准和仿真表明，PowerShap的表现优于其他过滤器方法，具有与包装器方法相同的预测性能，同时显着更快，甚至达到执行时间的一半或三分之一。因此，PowerShap提供了一种竞争和快速算法，可以在不同域中的各种模型使用。此外，PowerShap是作为插件和开源的Sklearn组件实现的，可以轻松地集成在传统的数据科学管道中。通过提供自动模式，可以自动调整PowerShap算法的超参数，从而进一步增强用户体验，从而可以使用该算法而无需任何配置。

可靠的剩余时间预测正在进行的业务流程是一个高度相关的主题。一个例子是订单交付，这是一个关键的竞争因素，例如零售是因为它是客户满意度的主要驱动力。为了及时实现及时的交付，对交付过程剩余时间的准确预测至关重要。在过程挖掘领域内，已经提出了各种各样的剩余时间预测技术。在这项工作中，我们基于随机培养皿网的剩余时间预测，该预测通常分布在k-nearthiend邻居中。 k-nearest邻居算法是在存储过去的时间以完成先前活动的时间的简单矢量上执行的。通过仅采用一部分实例，获得了更具代表性和稳定的随机培养皿网，从而导致更准确的时间预测。我们讨论了该技术及其在Python中的基本实现，并使用不同的现实世界数据集来评估我们扩展的预测能力。这些实验在结合有关预测能力方面的两种技术方面都具有明显的优势。

我们提出了一种方法，以利用基础马尔可夫决策过程的固有鲁棒性来减少多代理学习系统中所需的通信。我们计算所谓的鲁棒性替代功能（离线），这使代理商保守地表明其状态测量在需要更新系统中的其他代理之前可能会偏离多远。这导致了完全分布的决策功能，使代理可以决定何时需要更新其他人。我们根据获得的奖励总和来得出所得系统的最佳性界限，并显示这些界限是设计参数的函数。此外，我们扩展了从数据中学到鲁棒性替代功能的情况下的结果，并提出了实验结果，证明了代理之间的通信事件显着降低。

我们提出了一种方法来减少由事件触发控制（ETC）技术的分布式Q学习系统所需信息的通信。我们考虑在Markov决策过程（MDP）上的分布式Q学习问题的基线情景。在基于事件的方法之后，N代理商探索MDP并仅在必要时将体验传达给中央学习者，这执行了Actor Q函数的更新。我们设计了一个基于事件的分布式Q学习系统（EBD-Q），并在vanilla Q学习算法方面推出了收敛保证。我们提出了实验结果，示出了基于事件的通信导致这种分布式系统中的数据传输速率大幅度降低。此外，我们讨论基于事件的方法对所研究的学习过程的基于事件的方法以及它们如何应用于更复杂的多代理系统。

我们提出了群生物设计灵感觅食基于蚂蚁信息素的部署，其中假设群有非常有限的能力。机器人不需要全局或相对位置测量和群充分分散，需要在地方没有基础设施。此外，该系统只需要在机器人上的网络单跳通信，我们不做出关于通信图的连通性和信息与计算传输的任何假设是可扩展的与代理的数量。这是通过在群充当觅食让剂或作为导向剂（信标）来完成。我们目前的实验结果计算了ELISA的3个机器人的一个模拟器群，并展示如何在群自行组织了一个未知的环境中解决问题觅食，汇聚成各地的最短路径轨迹。最后，我们讨论这样一个系统的局限性，并提出了觅食的效率如何可以增加。

经常性神经网络（RNN）经常用于建模脑功能和结构的方面。在这项工作中，我们培训了小型完全连接的RNN，以具有时变刺激的时间和流量控制任务。我们的结果表明，不同的RNN可以通过对不同的底层动态进行不同的RNN来解决相同的任务，并且优雅地降低的性能随着网络尺寸而降低，间隔持续时间增加，或者连接损坏。我们的结果对于量化通常用作黑匣子的模型的不同方面是有用的，并且需要预先理解以建模脑皮质区域的生物反应。