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

    Belépés
    címtáras azonosítással
    vissza a tantárgylistához   nyomtatható verzió    

    Beágyazott mesterséges intelligencia laboratórium

    A tantárgy angol neve: Embedded Artificial Intelligence Laboratory

    Adatlap utolsó módosítása: 2024. január 26.

    Budapesti Műszaki és Gazdaságtudományi Egyetem
    Villamosmérnöki és Informatikai Kar     		MSc Villamosmérnöki mesterszak
    Intelligens beágyazott rendszerek főspecializáció (MIT)
    Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
    VIMIMB05   0/0/3/f 5  
    3. A tantárgyfelelős személy és tanszék Csuka Barna,
    A tantárgy tanszéki weboldala http://www.mit.bme.hu/oktatas/targyak/VIMIMB05
    4. A tantárgy előadója Dr. Csuka Barna adjunktus, MIT
    5. A tantárgy az alábbi témakörök ismeretére épít Beágyazott mesterséges intelligencia tantárgy tananyaga
    6. Előtanulmányi rend
    Ajánlott:
    Beágyazott mesterséges intelligencia
    7. A tantárgy célkitűzése A laboratórium a Beágyazott mesterséges intelligencia tantárgyban megszerzett ismeretek gyakorlati alkalmazását tűzi ki célul. A laboratórium elsődleges fókusza, hogy a hallgatók valódi fizikai méréseken, illetve adathalmazokon önállóan legyenek képesek mesterséges intelligencia módszereket alkalmazni, illetve gyakorlati tapasztalatot szerezzenek ezek előnyeiről, illetve korlátairól. Az algoritmusok implementálását beágyazott platformokon valósítjuk meg.
    8. A tantárgy részletes tematikája
    1. Neurális hálózatok hibavisszaterjesztési algoritmusának gradiensalapú vizsgálata beágyazott környezetben, a tanulási tényező paraméterezése a momentum, a batchméretek és a pillanatnyi meredekség alapján.
    2. Különböző aktivációs függvények hatása a tanulás sebességére, illetve a modell teljesítményére. Neurális hálózat modellek robusztusságának vizsgálata dropout, illetve ablation módszerekkel.
    3. Bias-variancia dilemma vizsgálata gépi tanulási módszerekben. A tanító adathalmaz zajkomponensének azonosítása, és ennek hatása a legjobb elérhető modellteljesítményekre.
    4. Neurális hálózat architektúrák GPU-alapú gyorsítása, ezek aspektusai mind tanítási, mind lekérdezési használat során. Mátrixműveletek elvégzése SIMD architektúrákon, a párhuzamosíthatóság korlátai.
    5. Konvolúciós neurális hálózatok tanítása, modell robusztusságának növelése augmentált (eltolt/zajos/forgatott/tükrözött) mintahalmazzal.
    6. Osztályozó rendszer megvalósítása többszintű feldolgozással, osztályozás neurális hálós és fuzzy megközelítéssel.
    7. Alkalmazott együttes idő- és frekvenciabeli transzformációk tervezése hardveres környezetben. Periodikus jelek feldolgozása, főbb paraméterek kinyerése.
    8. Adatelemzés munkafolyamata (outlier detekció, adattisztítás, hiányos adatok kezelése, tudásmodellezés). Modern beágyazott szenzorplatformok (okos, hordható eszközök) fizikai mérési tartományainak vizsgálata.
    9. Kálmán-szűrők alkalmazása offline szenzorfúzió megvalósítására. A giroszkóp, magnetométer és gyorsulásmérő integrálásából elérhető hely- és helyzetmeghatározás alkalmazhatóságának elemzése.
    10. Valós idejű szenzorfúzió megvalósításának lehetőségei és korlátai alkalmazott beágyazott rendszereken. Modellkomplexitás és fogyasztás kapcsolata, egyes hardverarchitektúrákon elérhető számítási teljesítmény vizsgálata.
    9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium) Heti 4 órás laboratórium, amelyen a hallgatók mérőcsoportokban vesznek részt.
    10. Követelmények A méréseken a részvétel kötelező. Minden mérésről jegyzőkönyvet kell készíteni, mérőcsoportonként egyet. A jegyzőkönyvekre osztályzatot adunk. Az elégtelen mérést pótolni kell. A félévközi jegy a jegyzőkönyvosztályzatok átlaga. Kerekítés 50 századtól felfelé.
    11. Pótlási lehetőségek A félév során 2 laboratóriumi gyakorlat pótolható, függetlenül az eredménytelenség okától.
    12. Konzultációs lehetőségek Igény esetén előzetesen egyeztetett időpontban konzultációt biztosítunk.
    13. Jegyzet, tankönyv, felhasználható irodalom Mérési útmutatók.
    14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka
    Kontakt óra42
    Félévközi készülés órákra62
    Felkészülés zárthelyire0
    Házi feladat elkészítése0
    Mérési jegyzőkönyv elkészítése
    		46
    Vizsgafelkészülés0
    Összesen150
    15. A tantárgy tematikáját kidolgozta Sárközy Péter, tudományos segédmunkatárs, MIT
    Dr. Renczes Balázs, adjunktus, MIT