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

    Belépés
    címtáras azonosítással

    vissza a tantárgylistához   nyomtatható verzió    

    Intelligens rendszerek

    A tantárgy angol neve: Intelligent Systems

    Adatlap utolsó módosítása: 2010. november 24.

    Budapesti Műszaki és Gazdaságtudományi Egyetem
    Villamosmérnöki és Informatikai Kar

    Kognitív Tanulmányok Mesterszak, MA képzés
    K
    ötelezően választható tantárgy

    Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
    VITMM031 2 2/0/0/f 3  
    3. A tantárgyfelelős személy és tanszék Dr. Baranyi Péter Zoltán, Távközlési és Médiainformatikai Tanszék
    4. A tantárgy előadója
     Név: Beosztás: Tanszék, Int.:
     Dr. Baranyi Péter tudományos tanácsadó BME-TMIT
    5. A tantárgy az alábbi témakörök ismeretére épít Az Informatika c. tantárgy ismeretére épít.
    6. Előtanulmányi rend
    Ajánlott:
    BMETE92MC12    Informatika
    7. A tantárgy célkitűzése A tantárgy célja ismertetni az intelligens rendszerek fő struktúráit és elméleti eszközeit. A tantárgy ismerteti a modellezési és információ-ábrázolási módszerek új generációit, és külön figyelmet fordít a lágy-számítástudomány fogalmaira és fő irányaira. Ezekre az eszközökre építve bemutatja az intelligens rendszerek jellegzetes szerkezetét számos példán keresztül.
    8. A tantárgy részletes tematikája
    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.
    9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium) Előadás
    10. Követelmények
    • A szorgalmi időszakban: 2 db zárthelyi sikeres megírása.
    • A vizsgaidőszakban: vizsga nincs, a tantárgy évközi jeggyel zárul.
    • Elővizsga: nincs.
    11. Pótlási lehetőségek

    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.

    12. Konzultációs lehetőségek Előadások előtt és után, valamint e-mailen keresztül történő egyeztetés szerint.
    13. Jegyzet, tankönyv, felhasználható irodalom Kóczy T. László – Tikk Domonkos: Fuzzy rendszerek, Typotex Kiadó, 2000

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

    14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka
    Kontakt óra28
    Félévközi készülés órákra22
    Felkészülés zárthelyire40
    Házi feladat elkészítése  -
    Kijelölt írásos tananyag elsajátítása  -
    Vizsgafelkészülés  -
    Összesen90
    15. A tantárgy tematikáját kidolgozta
     Név: Beosztás: Tanszék, Int.:
     Dr. Baranyi Péter tudományos tanácsadó BME-TMIT