BME VIK - MI technológiák

vissza a tantárgylistához nyomtatható verzió

MI technológiák

A tantárgy angol neve: AI Technologies

Adatlap utolsó módosítása: 2026. február 6.

Budapesti Műszaki és Gazdaságtudományi Egyetem
Villamosmérnöki és Informatikai Kar

Tantárgykód	Szemeszter	Követelmények	Kredit	Tantárgyfélév
VIAUMSMA001-00		2/0/1/f	5

3. A tantárgyfelelős személy és tanszék Dr. Forstner Bertalan,

A tantárgy tanszéki weboldala https://www.aut.bme.hu/Course/VIAUMSMA001

4. A tantárgy előadója

Név:	Pozíció:	Tanszék:
Dr. Ekler Péter	egyetemi docens	AUT
Dr. Forstner Bertalan	egyetemi docens	AUT
Dr. Kővári Bence	egyetemi docens	AUT
Kvancz Balázs	doktorandusz	AUT
Domonkos Ádám	doktorandusz	AUT

5. A tantárgy az alábbi témakörök ismeretére épít Alapvető programozási ismeretek, legalább egy szkriptnyelv ismerete, adatstruktúrák és alapvető adatbázis-kezelési készségek.

7. A tantárgy célkitűzése

A kurzus célja, hogy megismertesse a hallgatókkal a szükséges mesterséges intelligencia (MI) technológiai hátteret, beleértve az elméleti alapokat és azokat a gyakorlati készségeket, amelyek a modern MI-alapú szoftverek és szolgáltatások tervezéséhez, implementálásához és telepítéséhez szükségesek. A hallgatók elsajátítják a gépi tanulást és nagy nyelvi modelleket (LLM) alkalmazó szoftverek fejlesztésének és üzemeltetésének alapelveit, valamint ezek integrációját webes, mobil és felhőalapú rendszerekbe.

A tantárgy az MI-alkalmazások széles spektrumát lefedi, a kiterjesztett lekérdezéses generálástól (RAG) és az autonóm ágensektől kezdve az eszközön futtatott (on-device) következtetésig és a fejlesztői eszközök kiterjesztéséig. A hallgatók gyakorlati tapasztalatot szereznek a teljes körű (end-to-end) MI-rendszerek építésében, valamint megismerkednek az MLOps munkafolyamatokkal és a kísérletkövetéssel (experiment tracking). A kurzus végére a hallgatók képesek lesznek MI-vezérelt szolgáltatások létrehozására, értékelésére és kezelésére a legkorszerűbb eszközök és legjobb gyakorlatok alkalmazásával.

8. A tantárgy részletes tematikája

Week	Title	Description
Week 1	Introduction to the AI and ML Ecosystem	History of AI, core concepts of machine learning and deep learning, supervised and unsupervised learning, the role of models and data, Python, and current research directions
Week 2	Python Fundamentals and Numerical Computing	Python OOP, data structures, NumPy and Pandas, matrix operations, vectorization, SciPy, computational graphs, remote development
Week 3	AI Frameworks: PyTorch, TensorFlow, JAX	PyTorch and TensorFlow fundamentals, static and dynamic graphs, model training, JAX and GPU/TPU acceleration
Week 4	AI-Based Software Development I	AI-assisted development, basic concepts, types of tools, advantages and disadvantages, specific tools such as GitHub Copilot, Cody, Cursor, Tabnine, etc.
Week 5	AI-Based Software Development II	Agentic AI coding LLM-based code generation, debugging, prompting techniques, and handling larger codebases
Week 6	Generative AI Fundamentals and Use Cases	Prompt templates, document chains, embedding-based search, core concepts, and generative AI opportunities
Week 7	Generative AI Models and Their Operation	Technological foundations of modern generative models: Transformer architecture, tokenization, embedding technologies (Word2Vec, GloVe), semantic similarity. HuggingFace ecosystem, running, fine-tuning, and interpreting pre-trained and custom models
Week 8	Local LLM Execution, Vector Databases, and RAG in Practice	Running large language models locally (Ollama, GPT4All, MLC.ai), quantized models and performance optimization. Data privacy and on-device solutions. Building RAG pipelines with LangChain and LangGraph: chunking, indexing, vector search, and context management using FAISS, Weaviate, and LanceDB
Week 9	Generative AI Services, APIs, and Multimodal Solutions	Overview of AI services and APIs, usage of multimodal models (text, image, audio). Integration options, supporting tools, and fine-tuning and customization for various application scenarios
Week 10	Autonomous Agents and LLM Workflows	Agent-based architectures, MCP, Agent2Agent protocol, tool usage, AutoGPT, Reflexion, agent memory, external API integration, autonomous agents, LLM workflows
Week 11	Cloud-Based AI Solutions	AWS, GCP, Azure AI services, GPU/TPU instances, cost management, HuggingFace Hub
Week 12	Model Deployment with FastAPI and Docker	FastAPI endpoints, Docker, Triton Inference Server, batch and streaming inference, monitoring
Week 13	MLOps and Experimentation	Experiment tracking (TensorBoard, W&B, MLflow), version control, ZenML, Kubeflow etc.
Week 14	The Future of AI	Multimodal models, autonomous agents, planning and reasoning, ethical and societal issues

Laboratory:

Lab	Title	Description
Lab 1	Python AI Environments and a Simple Neural Network	Setting up Python environments in VS Code, Jupyter, and Colab; installing core libraries (NumPy, Pandas, Matplotlib); building a simple neural network using PyTorch or TensorFlow (MNIST or Iris); visualization of the training process
Lab 2	NLP and Embedding-Based Applications	Loading HuggingFace transformer models, tokenization and embedding computation, text similarity analysis, visualization of embeddings using UMAP or t-SNE, basic text classification without fine-tuning
Lab 3	Building a Custom RAG Pipeline with LangChain	Designing a document-based RAG pipeline, generating embeddings, FAISS-based vector search, interactive question–answer interface using CLI or Streamlit, evaluation of retrieval performance
Lab 4	Integrating a Local LLM into a Python Application	Using Ollama or GPT4All models from Python, implementing a local chatbot, performance measurement, LangChain integration with local models, analyzing the impact of quantization
Lab 5	Model Deployment with FastAPI and Docker	Packaging an ML or LLM model into a FastAPI backend, Docker containerization, publishing a REST API, testing with Postman or Streamlit, measuring response time and throughput
Lab 6	Multimodal AI Pipeline and Developer Tools	Building a multimodal application (e.g., OCR + QA), using GPT-4o or Gemini with image + text prompts, comparing Copilot and Cursor, building a custom GPT-based developer agent and final demo

Final project by the end of the semester.

9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium) Interaktív előadások, laboratóriumi gyakorlatok, féléves tervezési feladat.

10. Követelmények

A félév során egy alkalommal évközi ellenőrző dolgozat (ZH) megírására kerül sor. A félév során laboratóriumi gyakorlatok vannak. A féléves projektfeladatot a félév végéig kell elkészíteni.

Az aláírás megszerzésének feltétele, hogy az ellenőrző dolgozat eredménye elérje a 40%-ot, valamint 4 laboratóriumi gyakorlat legalább elégséges (2) osztályzattal történő teljesítése.

11. Pótlási lehetőségek

A pótlási időszakban egy alkalommal lehetőség van az évközi ellenőrző dolgozat (ZH) javítására vagy pótlására.

A laboratóriumi gyakorlatok és a féléves projektfeladat beadási határideje szigorú. A laboratóriumi gyakorlatok nem pótolhatóak, még a pótlási időszakban sem. A féléves projektfeladat a pótlási héten javítható.

12. Konzultációs lehetőségek Igény szerint, az oktatókkal egyeztetve

13. Jegyzet, tankönyv, felhasználható irodalom

A kurzus a legújabb, élvonalbeli technológiákat oktatja.

Ajánlott irodalom az elméleti háttérhez:

Ian Goodfellow, Yoshua Bengio, Aaron Courville: Deep Learning, 978-0262035613, 2016
Aurélien Géron: Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 978-1098125974, 2022
Sebastian Raschka, Yuxi Liu, Vahid Mirjalili: Machine Learning with PyTorch and Scikit-Learn, 978-1801819312, 2022
Tom Hope, Yehezkel S. Resheff, Itay Lieder: Learning TensorFlow, 978-1491978511, 2017
Mark Daoust, Josh Gordon: Practical Deep Learning for Cloud, Mobile, and Edge, 978-1492096856, 2021

Online források:

MLflow: https://mlflow.org/docs/latest/index.html
PyTorch: https://pytorch.org/docs/stable/index.html
TensorFlow: https://www.tensorflow.org/api_docs
LangChain: https://python.langchain.com/docs/introduction/
LangGraph: https://www.langchain.com/langgraph
FastAPI: https://fastapi.tiangolo.com/

14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka

Kontakt óra	45
Félévközi készülés órákra	20
Felkészülés zárthelyire	15
Házi feladat elkészítése	20
Kijelölt írásos tananyag elsajátítása	20
Labor részvétel	20
Összesen	120

15. A tantárgy tematikáját kidolgozta

Név:	Pozíció:	Tanszék:
Dr. Ekler Péter	egyetemi docens	AUT
Dr. Forstner Bertalan	egyetemi docens	AUT

IMSc tematika és módszer

Az évközi ellenőrző dolgozat (ZH) során IMSC pontok szerezhetőek. A 90% feletti teljesítményért arányosan legfeljebb 10 pont adható.

A féléves projektfeladattal további 15 IMSC pont szerezhető. A feladat specifikációjának leadásakor előre jelezni kell, hogy a hallgató mely extra funkciókat valósítja meg az IMSC követelmények teljesítése érdekében.

IMSc pontozás 25

Budapest University of Technology and Economics, Faculty of Electrical Engineering and Informatics

MI technológiák