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

    Belépés
    címtáras azonosítással

    vissza a tantárgylistához   nyomtatható verzió    

    Kooperáció és gépi tanulás laboratórium

    A tantárgy angol neve: Cooperation and Machine Learning Laboratory

    Adatlap utolsó módosítása: 2018. február 22.

    Budapesti Műszaki és Gazdaságtudományi Egyetem
    Villamosmérnöki és Informatikai Kar
    Mérnökinformatikus szak
    Intelligens rendszerek mellékspecializáció
    MSc képzés

    Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
    VIMIMB02 3 0/0/3/f 4  
    3. A tantárgyfelelős személy és tanszék Dr. Strausz György, Méréstechnika és Információs Rendszerek Tanszék
    4. A tantárgy előadója

    Eredics Péter, tudományos segédmunkatárs, Méréstechnika és Információs Rendszerek Tanszék

    Hullám Gábor, tanársegéd, Méréstechnika és Információs Rendszerek Tanszék

    Kovács Dániel, tanársegéd, Méréstechnika és Információs Rendszerek Tanszék

    Strausz György, docens, Méréstechnika és Információs Rendszerek Tanszék

    5. A tantárgy az alábbi témakörök ismeretére épít Mesterséges Intelligencia
    7. A tantárgy célkitűzése A laboratórium célja, három rövidebb tematikus blokkokba szervezett mérési sorozat elvégzésén keresztül, az intelligens rendszerekben leggyakrabban alkalmazott algoritmusok és megoldások bemutatás és fejlesztésük gyakorlása valós alkalmazási környezeteket felhasználva .
    Az üzleti intelligencia projekt során egy leegyszerűsített adattárház építési, kiértékelési folyamaton kell végighaladni professzionális eszköz használatával. A  tudásmodellezés és információelérés blokk feladataiban a hallgatók megismerkednek az információkeresés alapelveivel, egy keresési tárgyterület modellezésével és erre építve szemantikus információelérési problémát oldanak meg.  Az utolsó feladatcsoport a tanulás blokk, ahol a hallgatók statikus és dinamikus neurális, illetve bayes-i tanulási sémákkal kísérleteznek adott problématerületen.
    8. A tantárgy részletes tematikája

    Üzleti intelligencia mérési sorozat

    I. Bevezetés az üzleti intelligencia rendszerekbe, adattárházak építése, intelligens adatintegráció
    A mérésen a hallgatók betekintést kapnak az üzleti intelligencia rendszerek építésének és alkalmazásainak folyamataiba, majd egy adattárház fejlesztő eszközben egy egyszerűsített, minta adattárház építésének lépéseit viszik végig. A feladatok bemutatják az adattárház építés egyik kulcslépésé, az ETL (extract, transform, load) folyamat részleteit, a hallgatók megismerkedhetnek a tartalmi heterogenitás problamatikájával.

    II. Adattisztítás és szövegelemzés
    Az adattárházakban alkalmazott adattisztítási algoritmusok gyakorlás. Információ kiértékelési feladatok gyakorlása, egyszerű statisztikai elemzések, szabálytanulás, OLAP alapú adatvizualizáció és jelentéskészítés.

    III. Dokumentum- és adattárak elemzése kontrollált természetes nyelvű felület alkalmazásával
    A mérés célja megismerni egy természetes nyelvhez közelálló, hatékony lekérdező nyelv kialakításnak és alkalmazásának lépéseit. 

    Szemantikus web mérési sorozat

    IV. Egyszerű keresési módszerek
    A mérés célja néhány adat- és szövegfeldolgozási és webes keresési módszer kipróbálása, kontrollált természetes nyelvű felületek használata.

    V. Tárgyterület modellezése.
    A mérés célja kidolgozni a szemantikus kereséshez szükséges tárgyterületi modellt (ontológiát), és a gyakorlatban is kipróbálni a Protégé ontológiaszerkesztő eszközt.

    VI. Szemantikus információkeresés
    A mérés célja az előző két gyakorlat eredményeinek ötvözése: a tárgyterület modelljével felvértezve szemantikus elemekkel bővíteni az első gyakorlaton implementált webes információelérést.

     

    Gépi tanulás és döntéstámogatás

    VII. Statikus és dinamikus neuronhálók vizsgálata, és alkalmazása
    A hallgatók egy egyszerű neuronhálós osztályozási feladat megoldásához konstruálnak különböző típusú statikus neuronhálókat és megvizsgálják a neuronhálók különböző paraméterbeállítási lehetőségeinek a hatását. A mérés második részébenolyan dinamikus neuronhálón (MLP, RBF vagy SVM) alapuló előrejelző rendszert kell konstruálni, amely előre elkészített adatsor alapján az adatsor folytatásának becslését adja meg.

    VIII. Kernel gépek vizsgálata
    Egyszerű függvényapproximációs és osztályozási feladatok megoldása szupport vektor gépekkel (SVM)

    IX. Bayesi tanulás
    A laborfoglalkozás célja a passzív megfigyeléseken alapuló tárgyterületi modelltanulás vizsgálata Bayes hálók felhasználásával.

    9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium) Laboratórium. A hallgatók a 12 alkalommal 3 órás mérésen vesznek részt.
    10. Követelmények

    Minden mérés elvégzése és a mérési jegyzőkönyvek leadása (az egyes jegyzőkönyvekre vonatkozó követelményeket a mérési utasítások rögzítik). Minden mérési jegyzőkönyvet pontozunk, a mérés sikeres elvégzéséhez a megszerezhető pontok 40%-át kell elérni.

    A mérések három kisebb méréssorozatba (projekt) rendeződnek, jegyeket a mérési sorozat három jegyzőkönyvének összpontszáma alapján adunk, a félévzáró osztályzatot a mérési sorozatokra kapott osztályzatok határozzák meg.
    11. Pótlási lehetőségek A pótlási héten két mérés pótolható. Ilyen esetben a mérési sorozatra kapható jegyet a pótmérés után számítjuk ki.
    12. Konzultációs lehetőségek A mérések során a mérésvezetőkkel egyeztetett módon.
    13. Jegyzet, tankönyv, felhasználható irodalom

    Stuart Russell és Peter Norvig: Mesterséges intelligencia korszerű megközelítésben, Panem Kiadó, Budapest, 2005

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

    A tárgy honlapján elérhető mérési útmutatók (kidolgozás alatt)

    14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka
    Kontaktóra42
    Készülés laborra
    36
    Mérési jegyzőkönyv elkészítése
     42
    Összesen 120
    15. A tantárgy tematikáját kidolgozta
    Név: Beosztás:  Tanszék, Int.:
     Mészáros Tamás
     Kovács Dániel László
     Strausz György
     Mestertanár
     Tanársegéd
     Docens
     MIT
     MIT
     MIT