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

    Belépés
    címtáras azonosítással
    vissza a tantárgylistához   nyomtatható verzió    

    Adatalapú megoldások

    A tantárgy angol neve: Data Products

    Adatlap utolsó módosítása: 2018. június 28.

    Budapesti Műszaki és Gazdaságtudományi Egyetem
    Villamosmérnöki és Informatikai Kar
    Üzemmérnök-informatikus szak, BProf képzés
    specializációtárgy
    Adatalapú rendszerek specializáció
    Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
    VITMBB02 4 2/2/0/v 5  
    3. A tantárgyfelelős személy és tanszék Dr. Papp Dávid,
    4. A tantárgy előadója

    Dr. Szűcs Gábor, TMIT 

    5. A tantárgy az alábbi témakörök ismeretére épít adatkezelés, mesterséges intelligencia
    6. Előtanulmányi rend
    Kötelező:
    Training.Code=("5N-A9") ÉS

    Szakirany("BPINadrend", _)

    A fenti forma a Neptun sajátja, ezen technikai okokból nem változtattunk.

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

    7. A tantárgy célkitűzése
    A tantárgy célja a hallgatók megismertetése az adatfókuszú Python nyelv azon eszköztárával, amelynek segítségével megoldhatók tipikus adatközpontú problémák. A sokszínű feladatok között a hallgatók megtanulhatják a szükséges munkafolyamatokat, azaz automatikus adatletöltést, adatok integrálását és áttöltését különböző API-k segítségével (K3), illetve annak a technikáját, hogy hogyan kell a prediktív analitikai megoldásokat különböző előrejelzési környezetbe integrálni (megértés szint: magyarázatok, összefüggések ismerete, esetek felismerése, besorolása - K2). A tárgy elvégzése után a hallgató képes lesz alapszintű, integrált, adatközpontú megoldások kialakítására és üzemeltetésére (alkalmazás szint: problémamegoldás ismeretek alkalmazásával, példák, feladatok önálló megoldása - K3).
    8. A tantárgy részletes tematikája

    Az előadások tematikája: 

    Előadás anyaga

    1. Adatok típusai, alapfogalmak, tipikus felhasználási területek áttekintése

    2. Python nyelv eszköztára, adatközpontú csomagjainak megismerése

    3. Adatalapú problémák megoldásához szükséges munkafolyamatok

    4. Adattáblák kezelése Python-ban, azok leíró és statisztikai információi 

    5. Adatmanipuláció, adatelőkészítés

    6. Különböző forrásból származó adatok integrálásának lehetőségei 

    7. Egyszerű adatelemzési problémák, bevezetés a prediktív adatelemzési problémákba (osztályozás)

    8. Prediktív adatelemzés (regresszió, nem felügyelt tanuló módszerek)

    9. Az API-k felhasználásának lehetőségei input és output oldalon

    10. Automatikus adatletöltés folyamata

    11. Ellenőrző számonkérés

    12. Prediktív analitikai megoldások különböző előrejelzési környezetbe integrálása

    13. Alapszintű, integrált, adatközpontú megoldások kialakítása és üzemeltetése

    14. Adatalapú megoldások a gyakorlatban


    A gyakorlatok (laborok) tematikája:

    Gyakorlat anyaga

    1. Python adatközpontú csomagjai, iPython notebook megismerése

    2. Adatbetöltés Pandas csomaggal, Pandas adatstruktúrák

    3. Prediktív analitikai feladatok megoldásához használható csomagok megismerése (sklearn)

    4. Webes adatletöltésen (web scraping) alapuló megoldás 

    5. Webes adatletöltésen (web scraping) alapuló megoldás létrehozása csapatmunkában

    6. Webes adatletöltésen (web scraping) alapuló megoldás implementálása

    7. Egy komplex gépi tanulási megoldás csapatmunkában

    8. REST API-kon keresztül működő gépi tanulási megoldás 

    9. REST API-kon keresztül működő gépi tanulási megoldás létrehozása csapatmunkában

    10. REST API-kon keresztül működő gépi tanulási megoldás implementálása

    11. Komplex, folyamatos prediktív modellfrissítést végző minialkalmazás megoldása csapatmunkában

    12. Egy folyamatos prediktív modellfrissítést végző minialkalmazás 

    13. Egy folyamatos prediktív modellfrissítést végző minialkalmazás létrehozása csapatmunkában

    14. Egy folyamatos prediktív modellfrissítést végző minialkalmazás implementálása 

     

    9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium) A tárgy gerincét a gyakorlatok keretében folyó közös mintafejlesztési feladatok adják, melyet a hallgatók csoportokban valósítanak meg.
    10. Követelmények

    A szorgalmi időszakban: 1 zárthelyi dolgozat (részteljesítmény értékelés)

    A félév végi aláírás feltételei: a zárthelyi dolgozat (vagy pót dolgozat) legalább elégséges (40%) megírása és a gyakorlatokon legalább 70%-os részvétel.

    A vizsgaidőszakban: írásbeli vizsga. A félév során a gyakorlatokhoz kapcsolódó feladatok megoldásával ajánlott vizsgajegy szerezhető.

    Az osztályzat megállapításának módja: a vizsgán szerzett pontok alapján 85%-tól jeles, 70%-tól jó, 55%-tól közepes, 40%-tól elégséges, alatta elégtelen.

    11. Pótlási lehetőségek Zárthelyi pótlására egy lehetőség van a szorgalmi időszakban és egy lehetőség a pótlási időszakban.
    12. Konzultációs lehetőségek A tárgy előadóival előre egyeztetett időpontban.
    13. Jegyzet, tankönyv, felhasználható irodalom Wes McKinney: Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython, O'Reilly Media, Inc., Second Edition, 2017.
    14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka
    Kontakt óra56
    Félévközi készülés órákra34
    Felkészülés zárthelyire20
    Házi feladat elkészítése0
    Kijelölt írásos tananyag elsajátítása0
    Vizsgafelkészülés40
    Összesen150
    15. A tantárgy tematikáját kidolgozta

    Név:

    Beosztás:

    Tanszék, Int.:

    Gáspár Csaba

    egyetemi tanársegéd

    TMIT

    Nagy-Rácz István

    tanszéki mérnök

    TMIT

    Dr. Szűcs Gábor

    egyetemi docens

    TMIT