Intelligens adatelemzési módszerek az orvosbiológiában

A tantárgy angol neve: Intelligent Data Analysis in Biomedicine

Adatlap utolsó módosítása: 2019. március 6.

Budapesti Műszaki és Gazdaságtudományi Egyetem
Villamosmérnöki és Informatikai Kar
Gépészmérnöki Kar
Mechatronikai mérnöki mesterszak
Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
VIMIM026   2/0/0/f 3  
3. A tantárgyfelelős személy és tanszék Gézsi András,
4. A tantárgy előadója Dr. Antal Péter egyetemi docens, BME, VIK, Méréstechnika és Információs Rendszerek Tanszék
6. Előtanulmányi rend
Kötelező:
NEM (Training.Code=("5N-A7") VAGY Training.Code=("5N-M7"))

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

A kötelező előtanulmányi rendek grafikus formában itt láthatók.

7. A tantárgy célkitűzése Az orvosbiológiai adatok heterogenitása adatfeldolgozási és adatelemzési módszerek széles skálájának az alkalmazását igényli, mint például a nagy dimenziójú, molekuláris biológiai adatok elemzése, képi adatok feldolgozása egy mesterséges látórendszerben vagy idősori adatok valós idejű feldolgozása egy neurálisan illesztett mesterséges végtag esetében. A klasszikus adatfeldolgozási és statisztikai módszereket napjainkban egyre inkább kiegészíti a mesterséges intelligencia kutatások gyorsan fejlődő ága a mély neurális hálózatok tanulásának területe.

A tantárgy áttekintést nyújt alapvető adatfeldolgozási módszerekről, adatelemzési munkafolyamatokról, statisztikai eljáráskról és a mesterséges intelligencia új adatelemzési területeiről, különös tekintettel a mély neurális hálózatok orvosbiológiai alkalmazásáról.
8. A tantárgy részletes tematikája

Tudás kompetenciák:

 

Tisztában van az adatfeldolgozási és adatelemzési munkafolyamatok lépéseivel és típusaival.
Ismeri a biostatisztikai megközelítéseket, mint például hipotézistesztelési paradigmát, illetve a bayesi becslés- és döntéselméletet.
Ismeri a nem felügyelt tanulás főbb módszereit, mint például klaszterezési módszereket.
Ismeri a felügyelt tanulás elméleti határait kijelölő eredményeket, mint például a mintakomplexitás fogalmát.
Ismeri a megfigyelési és beavatkozási adatok elemzésének különböző lehetőségeit.
Ismeri a megfigyelési adatokból elérhető oksági következtetések elméleti határait kijelölő eredményeket.
Ismeri az osztályozás és regresszió feladatát és különbözőségét egy rendszerszintű függési modell tanulásához képest.
Tudomása van a neurális hálózatok főbb típusairól, nevezetesen mint előrecsatolt/visszacsatolt, illetve nevezetes mély architektúrák.
Tudomása van a neurális hálózatok különböző tanítási algoritmusairól.
Tudomása van a neurális hálózatok különböző orvosbiológiai és neurobiológiai területen való felhasználásairól.

 

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

Előadás.

Az előadásokhoz előzetesen közzétett diasorok tartoznak, így a hallgatók azokat az előadáson saját jegyzeteikkel ki tudják egészíteni. Az előadások egy része esettanulmányokon keresztül mutatja be a módszerek valós alkalmazását, azok idői, pénzügyi, szervezeti és társadalmi vonatkozását. Az előadások alatt valós idejű hallgatói visszacsatolást biztosító eszközöket használunk az interaktivitás növelésére.

10. Követelmények

Szorgalmi időszakban: 2 ZH és 1 házi (otthoni) feladat.

Az összegző értékelések együttesen vizsgálják és mérik fel a hallgatók tudás és képesség típusú kompetenciákkal meghatározott tanulási eredményeit. Ennek megfelelően az egyes összegző értékelések a kijelölt elméleti ismeretanyag elsajátítottságát, és képességek alkalmazását mérik fel. Egy-egy összegző értékelés 65%-ban az elméleti ismeretekre, 35%-ban az alkalmazói készségekre fókuszál. Teljesítésükre a tanulmányi teljesítményértékelési tervben meghatározott időpontban, előreláthatólag a 8. és 14. oktatási héten kerül sor. A két összegző teljesítményértékelésen egyenként 60-60 pont szerezhető.

Egy házi feladat sikeres elkészítése és leadása a félév végéig kötelező, amely egy adatfeldolgozási/adatelemzési/gépi tanulási módszer alkalmazását jelenti egy egyeztetett adathalmazon és annak 4-6 oldalban történő dokumentálását. A módszer alkalmazása preferáltan egy programozási nyelv felhasználásával történik, de grafikus felülettel támogatott munkafolyamat-rendszerek is felhasználhatók. Ideális esetben az adatok egy önálló kutatáshoz, diplomamunkához kapcsolódnak.

A félévközi jegyet a két ZH és a házi feladat 60%-40% arányban súlyozott átlaga adja.

11. Pótlási lehetőségek

Mindkét ZH egyszer pótolható.

A házi feladat legkésőbb a szorgalmi időszak végéig adható be.

12. Konzultációs lehetőségek Igény szerint.
13. Jegyzet, tankönyv, felhasználható irodalom

Antal Péter et al., Intelligens adatelemzés, Typotex Kft., 2014, ISBN-13 978-963-2791-71-5

https://www.interkonyv.hu/konyvek/en/antal_peter_intelligens_adatelemzes

14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka
Kontakt óra28
Félévközi készülés előadásra14
Felkészülés zárthelyire24

Önálló tananyag-feldolgozás

24
Összesen90
15. A tantárgy tematikáját kidolgozta

Dr. Antal Péter egyetemi docens, BME, VIK, Méréstechnika és Információs Rendszerek Tanszék