Kurzus nemzetközi vendég- és részidős hallgatóknak

Kar

Informatikai Kar

Szervezet

IK Mesterséges Intelligencia Tanszék

Kód

IPM-24ATDNDEG

Cím

Mélyhálók fejlesztése Ea+Gy.

Tervezett félév

Őszi

Meghirdetve

2024/25/1, 2024/25/2

ECTS

6

Nyelv

en

Oktatás célja

tudása Ismeri a nagymennyiségű adatok tárolására, feldolgozására és vizualizációjára szolgáló technikákat, tisztában van az egyes eszközrendszerek tulajdonságaival. Ismeri az adattudomány főbb alkalmazási területeit, az ezekhez kötődő problémákat és a megoldási lehetőségek főbb irányait, a kapcsolódó technikák alkalmazási korlátait. Összefüggéseket tud teremteni az egyes adattípusok között, képes az adatok transzformációján alapuló információ-kinyerésre és feladatmegoldásra multidiszciplináris környezetben is. Az angol nyelvtudása eléri a képzéshez, az angol nyelvű szakirodalom megismeréséhez, a szakszöveg megértéséhez, feldolgozásához és a szakképzettséggel ellátható szakmai feladatok elvégzéséhez, valamint a folyamatos szakmai önképzéshez szükséges szintet. átfogó ismeretekkel rendelkezik az adatkezelés, elemzés, modellezés szabályozási kérdéseiről, problémáiról, beleértve a jogi és etikai vonatkozásokat is. Ismeri az informatikai biztonság területeit. képességei Képes a különböző tudományágakban megjelenő komplex osztályozási, modellezési, előrejelzési problémák formalizálására, a szükséges elméleti és gyakorlati módszerek meghatározására és azok megoldására. Ismeri az adatelemek közötti függőségi viszonyokat és az adatok strukturálhatóságát, típusait. A technológia változása esetén képes az adatelemzési stratégiát a technológiától függetleníteni. Képes hatékonyan együttműködni az adattudományhoz kapcsolódó, a feldolgozandó, elemzést igénylő adatokat előállító tudományterületek képviselőivel. Képes nagy mennyiségű adat hatékony vizualizációjára, az eredmények interpretálására. Képes a rutinproblémák felismerésén és megoldásán túl eredeti ötleteket felvetni. Szakmai irányítás mellett képes önálló tudományos kutatómunkát végezni. Anyanyelvén kívül legalább angol nyelven képes szóban és írásban szakmai eszmecserét folytatni, eredményeket bemutatni és értelmezni, jelentéseket készíteni, szakmai anyagokat feldolgozni. Munkája során vizsgálja a kutatási, fejlesztési és innovációs célok kitűzésének lehetőségét és törekszik azok megvalósítására. attitűd Figyelemmel kíséri az adattudomány és a kapcsolódó szakterületek elsősorban matematikai, statisztikai, informatikai vonatkozású, valamint mesterséges intelligenciával kapcsolatos legújabb eredményeit és törekszik arra, hogy ezeket saját fejlődésének szolgálatába állítsa. Tiszteletben tartja és munkája során figyelembe veszi az övétől eltérő véleményeket, kizárólag a szakmai érvekkel történő meggyőzést tartja elfogadhatónak. Elkötelezett a környezettudatos magatartás közvetítése és megvalósítása iránt. autonómiája és felelőssége Nagy figyelmet fordít feladatainak precíz elvégzésre és a határidők pontos betartására, illetve betartatására. Alkalmas mind egyénileg, mind pedig egy csoport tagjaként vagy vezetőjeként elemzői, modellezői és egyéb, az adattudománnyal kapcsolatos feladatok elvégzésére. Felelősen, az aktuális szabályozásnak megfelelően kezeli a rábízott érzékeny, esetlegesen bizalmas adatokat. Munkáját a szakmai és tudományos etika követelményeinek maximális figyelembevételével végzi.

Tantárgy tartalma

Bevezetés a mély tanulásba: Tananyag, AI áttekintés, Deep Learning áttekintés, Python és NumPy alapok Bevezetés a PyTorch-ba lineáris regresszióval: Lineáris regresszió, aktiváló függvények és veszteségek, visszaterjedés, PyTorch alapjai, PyTorch lineáris regresszióval. Osztályozás: Bináris osztályozás, aktiválási függvények és veszteségek, Backpropagation, konvolúciós neurális hálók Osztályozás és transzfer tanulás: Többosztályos osztályozás, aktiváló függvények és veszteségek, CNN architektúrák, transzfer tanulás Autoencoderek alapjai, típusai, feladatok (előképzés az osztályozáshoz) Szemantikus szegmentálás: Alapjai, FCN, U-net, alkalmazások Objektum detektálás 1. rész: Alapok, kétlépcsős detektorok (régió alapú) - RCNN, Alkalmazások Objektum detektálás 2. rész + példányszegmentálás: Metrikák, Egyfázisú detektorok - YOLO és SSD, példányszegmentálás alapjai, maszk-RCNN Videó + mélység + optikai áramlás: Videók feldolgozása, mélységbecslés, optikai áramlás Visszacsatolt (rekurrens) neurális hálózatok: Alapok, típusok, Vanilla RNN-k, architektúrák (LSTM-ek, GRU-k), alkalmazások Transzformátorok: Figyelem, önfigyelő, többfejű figyelem, sugárkeresés, BLEU pontszám Generatív adverzális hálózatok 1. rész: Alapok, típusok Generatív adverzális hálózatok 2. rész: Architektúrák, alkalmazások

Számonkérés és értékelés

összevont számonkérés, kollokvium (5)

Irodalomjegyzék

Ian Goodfellow and Yoshua Bengio and Aaron Courville: Deep Learning. MIT Press, 2016. Hardcover: ISBN: 9780262035613, eBook: ISBN: 9780262337434 Available at: https://www.deeplearningbook.org/ Eli Stevens, Luca Antiga and Thomas Viehmann Deep Learning with PyTorch. Manning Publications Co. ISBN: 1617295264

Kurzus szakjai