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

    Belépés
    címtáras azonosítással
    vissza a tantárgylistához   nyomtatható verzió    

    Mesterséges intelligencia

    A tantárgy angol neve: Artificial Intelligence

    Adatlap utolsó módosítása: 2022. november 5.

    Budapesti Műszaki és Gazdaságtudományi Egyetem
    Villamosmérnöki és Informatikai Kar

    Alapképzés (BSc), Mérnökinformatikus szak

    Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
    VIMIAC16 5 3/0/1/v 5  
    3. A tantárgyfelelős személy és tanszék Dr. Hullám Gábor István,
    A tantárgy tanszéki weboldala http://www.mit.bme.hu/oktatas/targyak/VIMIAC16
    4. A tantárgy előadója

    Dr. Hullám Gábor, docens, MIT

    5. A tantárgy az alábbi témakörök ismeretére épít

    Matematikai logika, valószínűségszámítás, gráfelmélet alapjai

    6. Előtanulmányi rend
    Kötelező:
    ([ HA EgyenCsoportTagja("2014_tanterv_hallgatoi_info")AKKOR
    TárgyTeljesítve("BMEVISZAA04") EGYÉBKÉNT
    TárgyTeljesítve("BMEVISZAA08")] ÉS

    NEM (TárgyTeljesítve("BMEVIMIAC10") ) ÉS

    ( Training.Code=("5N-A8") VAGY Training.Code=("5NAA8") ) )

    VAGY EgyenCsoportTagja("Kreditpótlás_2023/24/2")

    VAGY

    ((Training.Code=("5NAA7")
    VAGY
    Training.Code=("5NAA8"))
    ÉS
    Felevstatusz((Term))="Aktív (Nemzetközi program)")

    A fenti forma a Neptun sajátja, ezen technikai okokból nem változtattunk.

    A kötelező előtanulmányi rend az adott szak honlapján és képzési programjában található.

    Ajánlott:

    Valószínűségszámítás

    (Kötelező: Algoritmuselmélet)

    7. A tantárgy célkitűzése

    A tantárgy fő célkitűzése a mesterséges intelligencia alapfogalmainak és főbb területeinek átfogó bemutatása. A hallgatók elsőként az intelligens viselkedés összetevőivel, majd annak számítási modellekkel való kifejezésével ismerkednek meg. Ezt követi a mesterséges intelligencia formális és heurisztikus módszereinek áttekintése, kiindulva a problématérben való kereséstől, a tudásreprezentáción és következtetésen át, a tanulás különböző módokon történő megvalósításáig. A gyakorlatban alkalmazott módszereket és ezek alkalmazási feltételeit, korlátait laborgyakorlatok keretében ismerik meg a hallgatók.

    8. A tantárgy részletes tematikája

    1. Mesterséges intelligencia (MI) előzményei, korszakai, főbb mérföldkövei. Az intelligencia meghatározása, intelligens viselkedés mérnöki megközelítése. Hol tart most az MI, melyek a már megoldott problémák, és melyek jelenleg a legfőbb kihívásai. 

    1. Az MI etikai, jogi, társadalmi kérdései. Milyen változásokat eredményezett és fog eredményezni az MI az emberek életében? Mérnökként milyen etikai elveket kell szem előtt tartani MI rendszerek tervezése során? Az emberközpontú MI paradigma lényege. 

    1. Intelligens rendszerek tervezése: az ágens definíciója, komponensei, környezetek, architektúra és megvalósítás. Keresési tér és az alapvető ágenstípusok kapcsolata. Ágensek belső felépítése, viselkedése. Problémamegoldás kereséssel: az intelligens rendszerek átfogó algoritmusai, alapvető matematikai absztrakciói. Nem informált keresési algoritmusok.  

    1. Informált keresési algoritmusok, heurisztikák. Keresés komplex környezetekben. Hogyan kell az eddig megismert algoritmusokat kreatívan alkalmazni az intelligens viselkedés megvalósításához. Kényszerkielégítési problémák (CSP). A kényszer fogalma, kényszerek terjesztése. Általános heurisztikák, kényszergráf felhasználása. Gyakori CSP alkalmazások. 

    1. Keresés ellenséges környezetben. Optimális döntések két vagy többszemélyes játékokban, játékelméleti alapok. Minimax algoritmus és kiterjesztései. Véletlen elemet tartalmazó játékok. Az MI módszerek fejlődése a játékproblémák megoldása által.  

    1. Tudás, mint az intelligencia alapvető komponense. Tudás formalizálása logikával. Logikai operátorok, következtetés, bizonyítás. Ítéletlogika és elsőrendű logika kifejező ereje, tulajdonságai. 

    1. Tudásmérnökség, ágensek logikai leírása. Problémamegoldás logikai következtetéssel. Előrefelé láncolás, hátrafelé láncolás, rezolúció. Tervkészítési módszerek, gyakorlati alkalmazások. Fogalomtárak, leíró logikák, szemantikus módszerek. 

    1. Hiányos, bizonytalan és változó tudás: bizonytalanság kezelése a valószínűségszámítás eszköztárával. Bayes-szabály, bayesi frissítés. Bizonytalan tudás reprezentációja valószínűségi hálókkal.  

    1. Bayes-hálók tulajdonságai. Bayes-hálók konstrukciója, a struktúra és a paraméterezés szerepe. Naiv Bayes-hálók és alkalmazásaik. Valószínűségi következtetés Bayes-hálókban egzakt és közelítő módszerekkel.  

    1. Racionalitás és hasznosság alapfogalmai. Intelligencia, mint a racionális döntés képessége. Hasznosságfüggvények és tulajdonságaik. Döntési hálók.   

    1. Szekvenciális döntések kérdései. Markov döntési folyamatok (MDF), Bellman-egyenlet. Módszerek teljesen és részlegesen megfigyelhető Markov döntési folyamatok megoldására. MDF kapcsolata a megerősítéses tanulással. 

    1. Tanulás, mint az intelligencia alapvető mechanizmusa. A gépi tanulás alapfogalmai. A gépi tanulás fő ágai: felügyelt tanulás, nem felügyelt tanulás, megerősítéses tanulás.  A felügyelt tanulás folyamata, modellek minősítése, jósági mutatók. 

    1. Induktív tanulás fogalma, induktív következtetés. Hipotézistér, konzisztens hipotézis, Ockham borotvája. Bias - variancia kompromisszum, alulilleszkedés, túlilleszkedés. A statisztikai tanulás alapjai. 

    1. Optimalizációs technikák, gradient descent, stochastic gradient descent, genetikus algoritmusok. 

    1. Felügyelt tanulási módszerek. Regressziós és osztályozási feladatok. Naiv Bayes-osztályozó. Regressziós modellek, egyváltozós és többváltozós lineáris regresszió, logisztikus regresszió. Regularizációs technikák.   

    1. Döntési fa tanulása, tulajdonságai. Döntési fa, mint logikai hipotézisek tanulásának eszköze. Entrópia és információnyereség alapú megközelítés döntési fáknál. Pruning és keresztvalidációs technikák.  

    1. Együttes tanulás (ensemble learning). Bagging, stacking, boosting technikák. Véletlen erdő (random forest), AdaBoost algoritmus, gradiens boosting. 

    1. Neurális hálók alapjai, perceptron modell.  Mesterséges neurális hálók tulajdonságai, kifejező ereje, tanítása.  

    1. Mély neurális hálók alapjai. A fejlődést lehetővé tevő összetevők: algoritmus, architektúra és hardver. A mélytanulás által elért áttörés, gyakorlati alkalmazások. 

    1. Megerősítéses tanulás. A jutalom szerepe a tanulásban. Passzív megerősítéses tanulás, adaptív dinamikus programozás, időbeli különbség (TD) tanulás. Aktív megerősítéses tanulás. Q tanulás. 

    1. A gépi tanulás távlatai. Ember-gép döntéshozatal, machine teaching, mesterséges általános intelligencia. 

     

    A laborok részletes tematikája:

    1. Nem informált és informált keresési algoritmusok alkalmazása. Közös struktúrák és keretrendszer megismerése. Szélességi, mélységi, egyenletes költségű, mohó és A* keresés megvalósítása egy útkeresési probléma megoldására. 

    1. Keresés ellenséges környezetben. Játékfeladat megoldása Minimax algoritmussal és kiterjesztéseivel. CSP feladat megoldása általános heurisztikákkal. 

    1. Bizonytalan tudás ábrázolása Bayes-hálókkal. Tudásmérnöki feladatok, Bayes-háló kialakítása, struktúra és paraméterezés meghatározása. Következtetés a kialakított modellel. Valószínűségi háló kiterjesztése döntési hálóvá hasznosság és döntési csomópontok hozzáadásával. Racionális döntés számítása. 

    1. Regressziós modellek vizsgálata. Egyváltozós és többváltozós lineáris regresszió alkalmazásai. Regularizációs módszerek. Logisztikus regressziós modellek. 

    1. Logikai hipotézisek tanulása döntési fákkal. Döntési fák tanulásának lépései, döntési fa modell minősítése, általánosító képesség vizsgálata. 

    1. Együttes tanulás vizsgálata, véletlen erdő (random forest) modellek.  

    1. Neurális hálók működésének vizsgálata egyszerű problémákon. Paraméterbeállítások és mintaméret hatásának vizsgálata.    



    9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium)

    Előadás és laboratórium.

    A hallgatók az elméleti előadásokon átadott tudást a kapcsolódó laborfoglalkozásokon mélyítik el és egyben alkalmazási tapasztalatot szereznek. A laborgyakorlatok egy része online formában, aszinkron módon elvégezhető. A mérési jegyzőkönyvet, valamint az önálló munka ellenőrzésére szolgáló egyedi feladatot a Moodle rendszeren keresztül kell leadni, értékelésére itt kerül sor.  Az aszinkron módon végezhető mérésekhez egy órarendileg rögzített laboridőpontban konzultációs lehetőséget biztosítunk. A labor megfelelő szintű teljesítése esetén 1 pont jár, egyébként 0, így összesen 7 pont gyűjthető laborokból. A félév folyamán 1db félévközi zárthelyi dolgozatot kell teljesíteni, melyen 33 pont szerezhető. Így összesen a szorgalmi időszakban maximum 40 pont szerezhető. 

    10. Követelmények

    Szorgalmi időszakban 

    A félévi aláírás és egyben az elégtelentől különböző érdemjegy szükséges feltételei: a félévközi zárthelyi minimum 40%-os teljesítése és legalább 4 labor elégséges szintű elvégzése. 

    Vizsgaidőszakban 

    A tárgyból írásbeli vizsgát tartunk. Az elégséges osztályzathoz a vizsgadolgozat minimum 40%-os teljesítése szükséges. 
    A vizsgaosztályzat megállapítása 60%-ban az írásbeli vizsga és 40%-ban a félévközi pontszám (a zárthelyin és a laborok során kapott pontok összege) alapján történik. 

    11. Pótlási lehetőségek

    A zárthelyi és a vizsga pótlása a TVSZ szerint történik. A pótzárthelyi a szorgalmi időszakban, a pót-pótzárthelyi a pótlási héten kerül lebonyolításra.  A laboralkalmak nem pótolhatók, az összesen 7 laborgyakorlatból 4 elvégzése szükséges.

    12. Konzultációs lehetőségek

    Igény esetén, megbeszélés alapján.

    13. Jegyzet, tankönyv, felhasználható irodalom

    Stuart J. Russell - Peter Norvig, Mesterséges intelligencia modern megközelítésben, Panem Kiadó. Mesterséges Intelligencia Almanach,

    http://mialmanach.mit.bme.hu/aima/index, 

    https://dtk.tankonyvtar.hu/handle/123456789/7622

    14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka
    Kontakt óra56
    Félévközi készülés órákra14
    Felkészülés zárthelyire16
    Felkészülés laborra
    		14
    Kijelölt írásos tananyag elsajátítása18
    Vizsgafelkészülés32
    Összesen150
    15. A tantárgy tematikáját kidolgozta

    Dr. Antal Péter, docens, MIT 

    Dr. Hullám Gábor, docens, MIT

    IMSc tematika és módszer

    Az IMSc program hallgatói számára emelt szintű fakultatív házi feladatokat, a zárthelyin és vizsgán pedig emelt szintű feladatokat kínálunk. Alapvető célunk, hogy a hallgatókat a tananyag mélyebb megismerésére ösztönözzük, ugyanakkor a fakultatív feladatokkal választási lehetőségeket is kínáljunk számukra.

    IMSc pontozás

    A tantárgyból maximum 25 IMSc pont szerezhető, amire összesen 30 pontnyi választási lehetőséget kínálunk az alábbiak szerint: 

    • A zárthelyin maximum 5 IMSc pont szerezhető a haladó feladatok megoldásáért, ha a dolgozat többi részéből legalább 66%-ot elért a hallgató. 

    • Az emelt szintű fakultatív házi feladatok megoldásáért összesen maximum 20 IMSc pont szerezhető.  

    • A vizsgán maximum 5 IMSc pont szerezhető a haladó feladatok megoldásáért, ha a dolgozat többi részéből legalább 66%-ot elért a hallgató. 

    Az IMSc pontok gyűjtése teljesen független a tantárgyban szerezhető pontoktól. Ezen pontok megszerzése és a fakultatív feladatok megoldása nélkül is jeles szinten teljesíthetők a tantárgy követelményei, de semmilyen módon nem is befolyásolják a félévi eredményt. Az IMSc pontok megszerzése az IMSc programban nem résztvevő hallgatók számára is biztosított.