Kurzus nemzetközi vendég- és részidős hallgatóknak

Kar

Informatikai Kar

Szervezet

IK Adattudományi és Adattechnológiai Tanszék

Kód

IPM-24ATMLEG

Cím

Gépi tanulás Ea+Gy.

Tervezett félév

Tavaszi

Meghirdetve

2024/25/2

ECTS

6

Nyelv

en

Oktatás célja

tudása Tisztában van az elemzéshez, modellezéshez használt aktuális technológiák működésével és képes azok valós körülmények között történő alkalmazására nagy mennyiségű adat esetében is. összefüggéseket tud teremteni az egyes adattípusok között, képes az adatok transzformációján alapuló információ-kinyerésre és feladatmegoldásra multidiszciplináris környezetben is. képességei 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. 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. Hitelesen képviseli szakmáját és mutatja be munkájának eredményeit. autonómiája és felelőssége Alkalmas mind egyénileg, mind pedig egy csoport tagjaként vagy vezetőjeként elemzői, modellezői és egyéb, az adattudománnyal kapcsolatos feladatok elvégzésére. Munkáját a szakmai és tudományos etika követelményeinek maximális figyelembevételével végzi.

Tantárgy tartalma

A kurzus a hagyományos gépi tanulási modellek és algoritmusok mélyebb elsajátításával foglalkozik. Az algoritmusok fő elvei és elméleti hátterük mellett különös figyelmet szentelünk a különböző algoritmusok hiperparamétereire, azok jelentésére és hangolására. Ezen algoritmusok előnyei és hátrányai a különböző alkalmazási területek és előrejelzési feladatok tekintetében is megvitatásra kerülnek. A kurzus fő témái közé tartoznak többek között: döntési fák; támogató vektorgépek és kernelmódszerek; grafikus és valószínűségi modellek; neurális hálózatok; faktorizációs technikák; félig felügyelt tanulási eljárások; ensemble technikák, bagging, boosting; idősor-elemzés; szövegbányászat.

Számonkérés és értékelés

összevont számonkérés

Irodalomjegyzék

Ethem Alpaydin (2014). Introduction to Machine Learning. The MIT Press. Shai Shalev-Shwartz, Shai Ben-David (2014). Understanding Machine Learning: From Theory to Algorithms. Cambridge University Press. Christopher Bishop (2006). Pattern Recognition and Machine Learning. Springer-Verlag.

Kurzus szakjai