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

1. Modellezés és információ-ábrázolás klasszikus és modern eszközei.
   A tantárgy Hilbert 13. sejtésétől kezdve a Kolmogorov-féle univerzális approximációs technikákon keresztül vizsgálja a szemcsés szerkezetű uniform modellezési technikákat.
2. Lágy-számítástudomány biológiai indíttatású módszerei. Összefoglaló.
3. 3Fuzzy rendszerek: alapfogalmai, koncepciója és módszertanai. Approximációs tulajdonságok vizsgálata. Számítási komplexitás vizsgálta.
4. Fuzzy halmaz fogalma. Alfa-vágat. Fuzzy logikai műveletek. Paraméter-függő műveletek. Nyelvi szabályrendszer. Következtetés alapsémái. Következtető gép.
5. Takagi-Sugeno fuzzy operátor alapú következtetőgép átviteli függvénye. Szemantikai és interreláción alapuló következtetések. Egy- és többszabályú következtetés. Fuzzy interpoláció.
6. Neurális hálózatok: alapfogalmai, koncepciója és módszertanai. Approximációs tulajdonságok vizsgálata. Számítási komplexitás vizsgálta. Mesterséges neurális hálózatok történelmi áttekintése.
7. Neurális hálózatok összehasonlítása számítógépekkel. Mesterséges neuron alap-modellje. Egyrétegű és többrégetű perceptronok. Általános neurális modellek. Hopfield-hálók, Bolzmann gépek.  Kohonen hálók. Moduláris neurális hálók (spline hálózatok, RBF-hálók).
8. Genetikus algoritmusok: alapfogalmai, koncepciója és módszertanai. Approximációs tulajdonságok vizsgálata. Számítási komplexitás vizsgálta
9. Genetikus algoritmusok történeti áttekintése. Kódolás és operátorok a genetikus algoritmusokban. Információátadás genetikus operátorok segítségével. Genetikus algoritmusok tulajdonságai: konvergencia vizsgálata, genetikus drift kérdésének vizsgálata, grádiens alapú módszerek összehasonlítása genetikus algoritmusok konvergenciájával.
10. Taníthatóság kérdései az intelligens rendszerekben. A lágy-számítástudomány biológiai indíttatású módszereire alkalmazható tanuló-algoritmusok levezetése, ismertetése, valamint alkalmazási kérdései.
11. Felügyelt és felügyelet nélküli tanítás. MLP tanítása back propagation algoritmussal.  MLP általánosító képessége. Asszociatív és auto-asszociatív hálózatok.  Asszociatív hálózatok tanulásának elemzése (hebbi tanulás, hebbi tanulás geometriai
    értelmezése).
12. Döntéshozás és irányítás intelligens rendszerekben, taníthatóság kérdései. A lágy-számítástudomány biológiai indíttatású módszereire alkalmazható tanuló-algoritmusok levezetése, ismertetése, valamint alkalmazási kérdési.
13. Példák részletes vizsgálata: vezetőnélküli helikopter irányítása. Itt a helikopter irányítási kérdésinek szemcsés szerkezetű és uniform ábrázolását ismertetjük, majd az erre épülő tervező módszereket vizsgáljuk
14. Példák részletes vizsgálata: robotok közlekedési stílusainak tanítása és alkalmazása ismeretlen terepen. Ebben a példában a fő cél megismerni, hogy miként lehet közlekedési stílusokat ábrázolni és tanítani szintén szemcsés szerkezetű modellekkel.
    

• A szorgalmi időszakban: 2 db zárthelyi sikeres megírása.
• A vizsgaidőszakban: vizsga nincs, a tantárgy évközi jeggyel zárul.
• Elővizsga: nincs.
  

A szorgalmi időszakban a zárthelyihez kapcsolódik pótlási (javítási) lehetőség. A zárthelyi pótlására további lehetőség is van a pótlásra kijelölt időszakban. Javítási céllal írt pótzárthelyi esetén a (javító) pótzárthelyi eredménye felülírja a javítandó zárthelyi eredményét.

S. Haykin: Neural networks – a comprehensive foundation, Prentice Hall, 1999