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

Dr. Gönczy László, egyetemi docens, MIT

A tantárgy mérnöki feladatok adatvezérelt megoldását támogatja, kiemelt hangsúlyt fektetve a feltáró adatelemzés és a szakterületi modellek használatára. A tárgy bemutatja adatalapú módszerek informatikai rendszerekbe történő integrációjának lehetőségeit, alkalmazási területként kiemelten tárgyalja a mérési adatok, valamint a szoftverek fejlesztése és üzemeltetése közben keletkezett adatok elemzési kérdéseit.

A tantárgy követelményeit eredményesen teljesítő hallgató képes lesz

• áttekinteni az adatfeldolgozás és feltáró adatelemzés főbb lépéseit,
• kiértékelni egy adott adatkészlet főbb minőségi jellemzőit,
• meghatározni és kiértékelni mérnöki problémák adatvezérelt megoldásának céljait,
• mérnöki ismeretekkel támogatott vizualizációs és adatelemzési feladatokat elvégezni.

1.       Adatelemzési forgatókönyvek és folyamatok, adatelemzési projektek célkitűzései, mérési követelmények, adatcsere formátumok, OpenData szabványok, dataspace megközelítés.

2.       Adattípusok; adatok előkészítése és tisztítása, leíró statisztikák.

3.       Adatvizualizáció. Vizualizáció céljai: összehasonlítás, trendelemzés, kiugró értékek keresése, kapcsolatok meghatározása, csoportosítás. Vizualizáció felhasználási esetei és ezek támogató technológiái monitorozás/dashboard, üzleti jelentés, alternatívák/hipotézisek kiértékelése, megismételhető kutatás. Technológiai támogatás: R, Python, PowerBI, felhő alapú adatfeldolgozó/megjelenítő szolgáltatások.

4.       Interaktív adatvizualizáció. Nagyméretű, sokdimenziós, bonyolult szerkezetű adatok megjelenítése és vizuális feltáró analízise. JS alapú megoldások (D3.js, Processing, chart könyvtárak), interaktív keretrendszerek (Shiny, Dash), HoloViz.

5.       Feltáró (Exploratory) és megerősítő (Confirmatory) adatelemzés.

6.       Irányított feltáró adatelemzés. Dimenzióredukció, feature selection és alkalmazása az informatikában,  esettanulmány: rendszermonitorozás tervezése.

7.       Modellalkotás: kvalitatív és kvantitatív modellek, kísérlettervezés.

8.       Modellmagyarázat és modellek minőségbiztosítása. Elemzések validálása, teljessége, helyessége, mérési kampányok kiértékelése. Esettanulmány: benchmarking.

9.       Elosztott adatfeldolgozás: "at rest Big Data"

10.   Elosztott adatfeldolgozás: stream processing

11.   Adattárolás és -feldolgozás szemantikus támogatása, automatizált javaslatok elemzési célokhoz rendelt vizualizációkra.

12.   Mérnöki modellek hihetőségvizsgálata, szimulációk kiértékelése, ritka események detektálása. 

13.   Mérnöki modellalkotás és megoldási alternatívák kiértékelése. Mérnöki modellek felhasználása adatelemzésben: Oksági kapcsolatok, topologikus korreláció, sorrendiség és viselkedésmodellek figyelembevétele, változószelekció.

14.   Szoftverfejlesztési és üzemeltetési folyamatok minőségbiztosításának adatalapú támogatása, informatikai rendszerek és szoftverek teljesítménykiértékelése, biztonságkritikus rendszerek fejlesztési folyamatainak adatalapú vizsgálata.

• Theus, Martin, and Simon Urbanek. Interactive graphics for data analysis: principles and examples. CRC Press, 2008.
• Antal Péter (szerk.). Intelligens adatelemzés. Typotex Kiadó, 2014. Elektronikusan elérhető jegyzet.
• Wickham, Hadley; Grolemund, Garrett (2017). R for Data Science : Import, Tidy, Transform, Visualize, and Model Data. Sebastopol, CA: O'Reilly Media. ISBN 978-1491910399. (elektronikusan elérhető)
• A tantárgyban kiadott elektronikus segédanyagok, fóliasorok, interaktív Jupyter Notebook jegyzetek.

Dr. Gönczy László, docens, MIT