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,
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