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

    Belépés
    címtáras azonosítással
    vissza a tantárgylistához   nyomtatható verzió    

    Adatelemzés és mélytanulás laboratórium

    A tantárgy angol neve: Data Analysis and Deep Learning Laboratory

    Adatlap utolsó módosítása: 2023. április 14.

    Budapesti Műszaki és Gazdaságtudományi Egyetem
    Villamosmérnöki és Informatikai Kar     		mérnökinformatikus BSc, Információs rendszerek specializáció
    Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
    VITMAC16 6 0/0/2/f 3  
    3. A tantárgyfelelős személy és tanszék Dr. Szűcs Gábor,
    4. A tantárgy előadója
    Dr. Szűcs Gábor, egyetemi docens, TMIT
    Dr. Papp Dávid, egyetemi tanársegéd, TMIT
    Gáspár Csaba, egyetemi tanársegéd, TMIT
    5. A tantárgy az alábbi témakörök ismeretére épít Alapvető matematikai és algoritmuselméleti ismeretek
    6. Előtanulmányi rend
    Ajánlott:
    Ajánlott előzetes tantárgy: Adatelemzés mélytanulási módszerekkel
    7. A tantárgy célkitűzése
    A laboralkalmak az adatelemzés és mélytanulás technológiái köré szerveződnek, a hallgatók mérnöki problémamegoldó képességét, technológiai ismereteinek bővítését segítik elő. A megismert technológiákat valós adatokon, médiaállományokon kell tesztelni, ami által azok hatékonysága, a megoldás erősségei és gyengeségei egyaránt megismerhetők. A tantárgyat elvégző hallgató az adatelemzési problémák megoldásait képes lesz hatékony Python kódként implementálni, valamint a kapott eredményeket értelmezni, azok segítségével a már korábban elvégzett lépéseket továbbfejleszteni, korrigálni.

    8. A tantárgy részletes tematikája
    Adatelőkészítés szerepe a felügyelt gépi tanulásban
    Adatelemzéshez változók készítése és generálása - strukturált vállalati/gazdasági adatokon
    Változó kiválasztás kérdései az adatelemzés folyamatában
    Mélytanulás LSTM mély neurális hálóval
    Valós idejű arcdetektálás és követés videókban (ViolaJones + DeepSORT)
    Strukturálatlan adatok osztályozása mély neurális hálókkal (CNN/RNN/LSTM, sequence-to-sequence módszerek)
    One-shot, few-shot osztályozás
    9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium) 7 db 4 órás laboratórium
    10. Követelmények A félév során 7 db labort tartunk, melyek közül legalább 5 labort teljesíteni kell a félévközi jegyhez. A féléves jegyet a legjobb 5 labor osztályzatának átlaga adja. Az elmulasztott vagy elégtelen minősítésű laborok pótlására nincs lehetőség.
    11. Pótlási lehetőségek Nincs lehetőség pótlásra (lásd követelmények).
    12. Konzultációs lehetőségek A laborvezetővel személyesen, vagy e-mailben egyeztetett időpontban.
    13. Jegyzet, tankönyv, felhasználható irodalom Felkészülés a kiadott írásos segédletek alapján.
    14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka
    Kontakt óra28
    Félévközi készülés órákra28
    Felkészülés zárthelyire
    Házi feladat elkészítése
    Kijelölt írásos tananyag elsajátítása34
    Vizsgafelkészülés
    Összesen90
    15. A tantárgy tematikáját kidolgozta
    Dr. Szűcs Gábor, egyetemi docens, TMIT
    Dr. Papp Dávid, egyetemi tanársegéd, TMIT
    Gáspár Csaba, egyetemi tanársegéd, TMIT
    IMSc tematika és módszer
    Minden labor témakör esetében van egy külön, az IMSc részeként megoldható szorgalmi feladat, ami az adott labor tematikájához kapcsolódik, de további önálló munkát igényel.

    IMSc pontozás
    A laboronként kiadott szorgalmi feladatok megoldásával alkalmanként 2 IMSc pont szerezhető. A félév során kiadott összes szorgalmi feladat megoldását +1 IMSc ponttal jutalmazzuk.
    A tárgyon maximálisan 15 IMSc pont szerezhető.