Dr. Hullám Gábor, docens, MIT

Matematikai logika, valószínűségszámítás, gráfelmélet alapjai

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

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.

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. 

2. 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. 

3. 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.  

4. 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. 

5. 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.  

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

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

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

9. 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.  

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

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

12. 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. 

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

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

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

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

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

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

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

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

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

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 laborjegyzőkönyvet, 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. Ha egy hallgató jelenléti konzultációt igényel, de nem jelenik meg és nem is mondja le, akkor arra a mérésre nem kaphat pontot. A labor megfelelő szintű teljesítése esetén 1 pont jár, egyébként 0, így összesen 7 pont gyűjthető laborokból. Ha valaki minden labort megfelelő szinten teljesít, akkor 5 többletpont adódik a vizsgajegyet képző összpontszámhoz. A félév folyamán 1db félévközi zárthelyi dolgozatot kell teljesíteni, melyen 33 pont szerezhető. Így összesen a szorgalmi időszakban maximum 40 pont szerezhető (többletpontok nélkül). Többletpontok szerezhetők az előadásokon szereplő online kvízkérdések helyes megválaszolásáért, melyek hozzáadódnak a vizsgajegyet képző összpontszámhoz.

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. 

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.

Igény esetén, megbeszélés alapján.

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

Dr. Antal Péter, docens, MIT 

Dr. Hullám Gábor, docens, MIT

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

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

• Az emelt szintű fakultatív házi feladatok megoldásáért összesen maximum 20 IMSc pont szerezhető. Ezek egyenként legfeljebb 5 többletpont értékben hozzáadódnak a vizsgajegy számítását képző összpontszámhoz.
• Az emelt szintű laborgyakorlatokon maximum 10 IMSc pont szerezhető a haladó feladatok megoldásáért. Ezek egyenként legfeljebb 2 többletpont értékben hozzáadódnak a vizsgajegy számítását képző összpontszámhoz.

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.