Plamen Angelov

Plamen P. Angelov este un informatician. Este profesor titular în Sisteme Intelligente și Director de Cercetare la Școala de Calcul și Comunicații a Universității din Lancaster, Lancaster, Regatul Unit. Este director fondator al centrului de cercetare Lancaster Intelligent, Robotic and Autonomous systems (LIRA). Este profesor vizitator la Școala Pi a Agenției Spațiale Europene pentru perioada 2025-2027. Angelov a fost vicepreședinte al Societății Internaționale de Rețele Neuronale, din care face acum parte ca Guvernator-at-large. El este fondatorul grupului de cercetare în Sisteme Intelligente și al grupului de Știința Datelor la Școala de Calcul și Comunicații. Este membru al Consiliului de Guvernatori al Societății Sisteme, Om și Cibernetică a IEEE pentru două mandate (2015–2017) și (2022–2024). Prof. Angelov a fost numit Fellow al Institutului Inginerilor Electrici și Electroniciști (IEEE) în 2016 pentru contribuțiile aduse sistemelor neuro-fuzzy și de învățare autonomă. Este, de asemenea, Fellow al ELLIS și al IET. Dr. Angelov este co-editor fondator al revistei Evolving Systems din 2009, precum și editor asociat al revistelor IEEE Transactions on Cybernetics, IEEE Transactions on Fuzzy Systems, IEEE Transactions on AI, Complex and Intelligent Systems și a altor reviste științifice. A primit Premiul Dennis Gabor 2020, precum și premii IEEE și INNS pentru Contribuții Remarcabile, Premiul Special Engineer 2008 și altele. Este autorul a peste 400 de publicații, inclusiv 3 monografii de cercetare, 3 brevete de invenție americane acordate, peste 120 de articole în reviste științifice recenzate de egali, peste 160 de lucrări în procedee de conferințe recenzate de egali etc. Aceste publicații au fost citate de peste 15000 de ori, având un index h de 63. Contribuțiile sale de cercetare se concentrează în jurul sistemelor de învățare autonomă (Wiley, 2012), a sistemelor dinamic auto-evolutive și a abordării empirice în învățarea automată (Springer Nature, 2012). Mai recent, cercetarea sa abordează problemele de interpretabilitate și explicabilitate (xDNN, 2020), uitarea catastrofală, învățarea continuă, capacitatea de adaptare, costurile computaționale și energetice ale modelelor fundamentale de tip deep și întregul lor ciclu de viață.