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

Bevezetés

1. Bevezetés, a tárgy követelményeinek ismertetése. A mesterséges intelligencia területeinek, beágyazott rendszerekben történő alkalmazásának, továbbá a tárgy fókuszpontjainak áttekintése.

Információfeldolgozás beágyazott mesterséges intelligencia rendszerekben

2. Az adatelemzés munkafolyamatának ismertetése. Outlier detekció és adattisztítás, hiányos adatok kezelése, tudásmodellezés lehetőségeinek vizsgálata.

3. Regresszió és osztályozás problematikájának és megoldásának elemzése hardveres környezetben, az ehhez kapcsolódó lineáris, illetve logisztikus modellek bemutatása.

4. Klaszterezés feladatának vizsgálata, dimenziócsökkentés lehetőségeinek tanulmányozása.

5. A mesterséges intelligencia szenzorfúziós módszereinek ismertetése beágyazott alkalmazásokhoz.

6. Neurális hálózatok bemutatása. Zaj hatásának ismertetése a tanulási folyamatra. A túltanulás, korai leállás, illetve a visszametszés problematikájának vizsgálata különböző platformokon. A mintahalmaz felbontása tanító-, teszt- és validáló halmazokra

7. Konvolúciós neurális hálózatok működésének ismertetése. Beágyazott környezetben futtatható mintafelismerő rendszer bemutatása.

8. Visszacsatolt neurális hálózatok tanulmányozása. Predikció lehetőségeinek ismertetése.

9. A neuronok kimenetének értelmezése. A reprezentációtanulás jelentőségének bemutatása, autoencoder ismertetése.

Beágyazott platformok mesterséges intelligencia alkalmazásokhoz

10. Általános célú eszközök (mikrokontroller, FPGA, általános célú processzor) alkalmazási korlátainak áttekintése.

11. Céldhardverek bemutatása a mesterséges intelligencia beágyazott platformokon történő megvalósításához.

12. Okos eszközök, okos órák beágyazott mesterséges intelligenciához kapcsolódó képességeinek ismertetése.

A gyakorlatok részletes tematikája

1. Lineáris és logisztikus regresszió, illetve osztályozás alkalmazása beágyazott környezetben, ismert fizikai modellű példákon, lineáris modellek reprezentációs képességének vizsgálata, új változók felvétele a modellbe.

2. Nagydimenzionalitású adatok kihívásai, lineáris függőségek eltávolítása, főkomponens-analízis és szinguláris érték felbontás beágyazott platformon történő alkalmazása dimenzióredukcióra, információveszteség kvantifikálása, reverzibilitás vizsgálata.

3. Szenzoros adatok integrálszámításának lehetőségei, zaj kezelése, eltérő forrásból származó mérések, különböző mérési módszerek fúziója hardveres megvalósítás során.

4. Alkalmazott neurális hálózatok implementálása beágyazott rendszerekben, zaj hatásának vizsgálata a tanulásra, konvergenciakonfidencia számítása, és a kapcsolt túltanulási, korai leállási, illetve visszametszési kihívások ismertetése. Minták felbontása tanító-, teszt- és validáló halmazokra.

5. Konvolúciós neurális hálózatok beágyazott alkalmazási példái, kernelméretek hatása a reprezentációs képességre, tanult jellemzővektorok magyarázhatósági vizsgálata.

6. Idősoros adatok elemzése beágyazott platformokon, autoregressziós (ARIMA) módszerek és visszacsatolt neurális hálózat alapú predikciós architektúrák összehasonlító elemzése.

Az elméleti tananyagot frontális előadás formájában adjuk elő, a gyakorlati részt számítási gyakorlat formájában tervezzük.

A tantárgyhoz a következő félévben lesz laboratórium: Beágyazott mesterséges intelligencia laboratórium

1 db zárthelyi sikeres megírása (min. 40%)

Szóbeli vizsga