Uchwałą Nr 223/47/2024 z dn. 12 czerwca 2024 r. Rada do spraw Stopni Naukowych w dyscyplinach automatyka, elektronika, elektrotechnika i technologie kosmiczne, informatyka techniczna i telekomunikacja Politechniki Łódzkiej nadała dr inż. Wiesławowi Paji stopień naukowy doktora habilitowanego w dziedzinie nauk inżynieryjno-technicznych i dyscyplinie informatyka techniczna i telekomunikacja.

Dr hab. inż. Wiesław Paja jest absolwentem Wydziału Elektrotechniki i Informatyki Politechniki Rzeszowskiej oraz Wydziału Matematyczno-Przyrodniczego Wyższej Szkoły Pedagogicznej w Rzeszowie.

Osiągnięcie naukowe: „Rozwój metod selekcji wszystkich istotnych cech w systemach decyzyjnych, wybrane aspekty i zastosowania”

Przedstawione osiągnięcie naukowe to cykl 15 publikacji monotematycznych pt.: „Rozwój metod selekcji wszystkich istotnych cech w systemach decyzyjnych, wybrane aspekty i zastosowania”. Do najważniejszych osiągnięć przedstawionego cyklu należy zaliczyć opracowanie algorytmów GFS (Generational Feature Selection) oraz GFE (Generational Feature Elimination), których celem jest selekcja wszystkich cech istotnych w systemach decyzyjnych z zastosowaniem pokoleniowej identyfikacji cech istotnych opartej na rankingu cech. Ranking opiera się na zastosowaniu struktury zbioru reguł oraz drzew decyzyjnych. W algorytmach wykorzystano również pojęcie tzw. cech kontrastowych (szumu informacyjnego) w celu automatycznego określenia progu istotności cech. Ponadto zaproponowano metodę identyfikacji istotnych zakresów wartości ciągłych atrybutów liczbowych, która dokonywana jest na podstawie dyskretyzacji i rozmywania ich wartości, a w oparciu o to podejście zaproponowano algorytmy FFS (Fuzzy Feature Selection) oraz FOS (Fuzzy Object Selection). Algorytmy te umożliwiają identyfikację zarówno istotnych cech w systemach decyzyjnych jak i istotnych obiektów lub obiektów odstających tzw. outliers. Przedstawione osiągnięcie zawiera również publikacje dotyczące zastosowania istniejących i opracowanych metod selekcji wszystkich istotnych cech w wybranych dziedzinach, w szczególności w dziedzinie analizy danych medycznych i wspomagania diagnozy chorób. Prace dotyczą wspomagania diagnostyki różnych schorzeń, jednostek chorobowych, z zastosowaniem metod spektroskopii FTIR i Raman. Poprzez selekcję istotnych zakresów długości fal, absorbowanych przez próbkę, wykorzystywanych w eksperymencie można budować modele uczenia o dużej skuteczności klasyfikacji oraz identyfikować zakresy, które mogą stanowić markery chorobowe.

Dr hab. inż. Wiesław Paja w 2008 r. uzyskał stopień doktora nauk technicznych w zakresie informatyki nadany uchwałą Rady Wydziału Elektrotechniki, Automatyki, Informatyki i Elektroniki Akademii Górniczo-Hutniczej w Krakowie na podstawie rozprawy doktorskiej pt.: "Budowa optymalnych modeli uczenia na podstawie wtórnych źródeł wiedzy"

Specjalista w zakresie uczenia maszynowego i sztucznej inteligencji, adiunkt w Instytucie Informatyki na Uniwersytecie Rzeszowskim. Jest autorem i współautorem 61 artykułów i innych publikacji naukowych. Czynnie uczestniczył w 6 krajowych oraz 34 międzynarodowych konferencjach naukowych odbywających się w kraju i za granicą prezentując łącznie 41 referatów. Sumaryczny Impact Factor dorobku naukowego wynosi ponad 88, punktacja MEiN: 3220. Index Hirscha wg bazy Scopus wynosi 11 natomiast liczba cytowań w publikacjach naukowych wynosi 441.

Był członkiem w komitetach programowych 30 międzynarodowych konferencji naukowych. Jest aktywnym recenzentem artykułów dla czasopism naukowych (28 recenzji) oraz konferencji (ponad 40 recenzji) o zasięgu międzynarodowym.

W swojej pracy badawczej realizował lub kierował 13 projektami badawczymi finansowanymi między innymi przez Ministerstwo Nauki i Szkolnictwa Wyższego, Ministerstwo Edukacji i Nauki, Narodowe Centrum Nauki oraz Podkarpackie Centrum Innowacji.

Główne zainteresowania naukowe i kierunki badawcze to uczenie maszynowe (ang. Machine Learning) w szczególności metody selekcji cech istotnych w systemach informacyjnych, sztuczne sieci neuronowe w szczególności modele głębokie, modele regułowe i drzewiaste, metody klastrowania danych, i zastosowanie tych zagadnień w różnych dziedzinach. Posiada doświadczenie w opracowywaniu i wdrażaniu metod uczenia maszynowego w praktycznych zastosowaniach. W szczególności w zastosowaniach w dziedzinie medycznych problemów wsparcia diagnostycznego.

Jest członkiem Institute for Systems and Technologies of Information, Control and Communication (INSTICC), International Rough Set Society (IRSS), KES International (KES), Polskie Towarzystwo Informatyczne (PTI).