Subject » BMEGEGTPHDMIMA
Application of Artificial Intelligence Methods
Mesterséges intelligencia módszerek alkalmazása
A tantárgyleírás hatályossága
Hatályosság kezdete:
—
Hatályosság vége:
—
| Subject name (Hungarian, English) |
Mesterséges intelligencia módszerek alkalmazása
Application of Artificial Intelligence Methods
|
||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Subject code | BMEGEGTPHDMIMA | ||||||||||||
| Subject type | — | ||||||||||||
| Training Level | — | ||||||||||||
| Course types and hours (weekly/semester) |
|
||||||||||||
| Assessment type | vizsga | ||||||||||||
| Credits | 3 | ||||||||||||
| Subject coordinator |
Dr. Váncza József
contact:
vancza.jozsef@gpk.bme.hu
|
||||||||||||
| Responsible department |
Gyártástudomány és -technológia Tanszék
|
||||||||||||
| Faculty | Gépészmérnöki Kar | ||||||||||||
| Subject website | — | ||||||||||||
| Primary curriculum type | — | ||||||||||||
| Direct prerequisites – Strong prerequisite | none | ||||||||||||
| Direct prerequisites – Weak prerequisite | none | ||||||||||||
| Direct prerequisites – Parallel prerequisite | none | ||||||||||||
| Direct prerequisites – Milestone prerequisite | none | ||||||||||||
| Direct prerequisites – Exclusion | BMEGEGT9101 |
Objectives
A tárgy feladata azoknak az ismereteknek az elmélyítése, amit a hallgatók a korábban hallgatott "A mesterséges intelligencia alapjai" tantárgyban szereztek. A témák köre a mindenkori hallgatók doktori munkáihoz fog illeszkedni, és lehetőséget ad a hallgatóknak az így adott problémáknak a mesterséges intelligencia módszereit és eszközeit is számba vevő, sokoldalú, kritikus szemléletű megközelítésére. A tantárgyi foglalkozások kurrens irodalom feldolgozását és számítástechnikai eszközök használatának elsajátítását is tartalmazni fogják.
Learning outcomes
Ez a tantárgy a KKK rendeletben meghatározott, következő kompetenciák fejlesztését szolgálja:
Knowledge
Ismeri a mesterséges intelligencia módszereket, azok főbb alkalmazási területeit. Alapvető ismeretekkel rendelkezik a mesterséges intelligencia algoritmusait és fontosabb szabályait illetően. Rendszerezi a mesterséges intelligencia módszereket, alkalmazásokat, várható eredményeit. Rendszerezi a módszerek alkalmazhatóságát, hibáit és előnyeit. Ismeri a lágyszámítási algoritmusokat, azok működési elveit. Tudomása van a mesterséges intelligencián alapuló algoritmusok korlátairól, alkalmazási körülményeiről. Érti a módszerek működési körülményeinek változására kialakuló turbulenciákat, instabilitásokat, hibahatásokat. Tájékozott a mesterséges intelligencia módszerek kiértékelési módszereiről. Ismeri a mesterséges intelligencia alkalmazásokkor használt szimulációs szoftvereket és eszközöket. Birtokában van a lágyszámítási eljárások optimalizálási módszereinek. A Gyártórendszerek I. tárgy teljesítése.
Skills
Különbséget tesz aa mesterséges intelligencia módszerek és azok főbb alkalmazási területei között azok főbb jellemzői szerint. Azonosítja a a mesterséges intelligencia algoritmusait és fontosabb szabályait. Elemzi a a mesterséges intelligencia módszereket, alkalmazásokat, azok várható eredményeit. Elemzi a módszerek alkalmazhatóságát, hibáit és előnyeit. Értelmezi a lágyszámítási algoritmusokat, azok működési elveit. Kiválasztja a mesterséges intelligencián alapuló algoritmusok korlátait, alkalmazási körülményeit. Értelmezi a módszerek működési körülményeinek változására kialakuló turbulenciákat, instabilitásokat, hibahatásokat. Alkalmazza a mesterséges intelligencia kiértékelési módszereit. Használja a tanszéken rendelkezésre álló szimulációs eszközöket. Alkalmazza a lágyszámítási eljárások optimalizálási módszereit.
Attitudes
Munkáját, eredményeit és következtetéseit folyamatosan ellenőrzi. Folyamatos ismeretszerzéssel bővíti a gyártórendszerek tervezésével kapcsolatos tudását. Nyitott az információtechnológiai eszközök használatára. Törekszik a gyártórendszerek tervezéséhez szükséges eszközrendszer megismerésére és rutinszerű használatára. Fejleszti a pontos és hibamentes feladatmegoldást, a mérnöki precizitást és szabatosságot szolgáló képességeit. Érvényesíti az energiahatékonyság, a fenntarthatóság és környezettudatosság elvét a mesterséges intelligencia módszerek alkalmazása során.
Autonomy and responsibility
Együttműködik az ismeretek bővítése során az oktatóval és hallgatótársaival. Elfogadja a megalapozott szakmai és egyéb kritikai észrevételeket. Elkötelezett a gyártórendszerek tervezése terület újabb ismeretekkel, tudományos eredményekkel való gyarapítására. Elkötelezett a rendszerelvű gondolkodás és problémamegoldás elvei és módszerei iránt. Ismeretei birtokában, elemzései alapján felelős, megalapozott döntést hoz.
Oktatási módszertan
A tantárgy oktatása előadások formájában feladatcentrikusan történik. Az előadások frontális oktatás és személyes konzultáció formájában ismertetik meg a hallgatókkal a tudás kompetenciaelemek által meghatározott információkat, melynek során a hallgatók megismerik a gyártórendszerek típusait, építőelemeit, valamint a gyártórendszerek tervezésének és értékelésének módszereit. Az önálló foglalkozások az előadásokhoz kapcsolódóan, az előadó által kijelölt részterületre összpontosítva, lehetőség szerint a hallgatók érdeklődési területét figyelembe véve egy évközi feladat keretében történnek.
Tanulástámogató anyagok
Tankönyvek
S. Russell P. Norvig: Mesterséges intelligencia modern megközelítésben - Modern megközelítésben, Pánem Kft. 2005. (ISBN: 9789635454112)
Online források
https://manuf.bme.hu/?page_id=1671
Recommended preliminary knowledge for completing the subject
Knowledge type competencies
(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)
nincs
Skill type competencies
(azon előzetes képességek és készségek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)
nincs
Recommended (non-compulsory) preliminary competencies
(azon ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák összessége, amelyek jelentősen hozzájárulnak a tantárgy eredményes teljesítéséhez)
nincs
General rules
A tanulási eredmények értékelése egy évközi összegző teljesítményértékelésből és évvégi vizsgából tevődik össze. Az összegző teljesítményértékelés a tantárgy tudás, képesség, attitűd, valamint önállóság és felelősség típusú kompetenciaelemeinek komplex, írásos értékelési módja a félév során megoldott feladatról készült beszámoló dolgozat formájában. A vizsga a tantárgy tudás és képesség típusú kompetenciaelemeinek szóbeli értékelési módja, mely egyrészt az előadások ismeretanyagát, másrészt az évközi feladat során megszerzett készség szintű tudást méri fel.
Assessment methods
In-term assessments
1. —
—
Az összegző teljesítményértékelés a tantárgy tudás, képesség, attitűd, valamint önállóság és felelősség típusú kompetenciaelemeinek értékelési módja egy beszámoló dolgozat formájában. A beszámoló egyrészt a megszerzett ismeretek alkalmazására fókuszál, így a problémafelismerést és -megoldást helyezi a középpontba, azaz a megoldott gyakorlati feladatot kell bemutatni, másrészt a szükséges lexikális ismereteket kéri számon. A feladat tárgya lehet irodalomkutatás, gyártórendszer elemzés, gyártórendszer szimuláció, gyártórendszer tervezés vagy áttervezés. A feladat megoldása lehet egyéni vagy csoportmunka, melynek eredménye a feladattípustól függően lehet írásbeli esszé, elemzés, projekt beszámoló, prezentáció, illetve dokumentált szimulációs modell vagy szoftver. Az egységes értékelési elveket a tantárgyfelelős határozza meg.
Weight of in-term assessments
| Type | Weight |
|---|---|
| — | 100 % |
Exam-period assessments
Oral exam component
A vizsga a tantárgy tudás és képesség típusú kompetenciaelemeinek szóbeli értékelési módja, mely egyrészt az előadások és önálló kutatások ismeretanyagát, másrészt az évközi feladat során megszerzett készség szintű tudást méri fel. Az előadások témaköreiből két véletlenszerűen kiválasztott kérdést kap a hallgató. A szóbeli felelet előtt a hallgató kap egy rövid felkészülési időt, melynek során írásbeli vázlatot is készíthet. A szóbeli felelet során ellenőrzésre kerül az elmélet lexikai tudása, illetve annak gyakorlati alkalmazása, valamint kapcsolata a hallgató saját kutatási területével.
Mid-term result component
A vizsgaérdemjegybe beleszámít az évközi teljesítményértékelés, vagyis az önálló feladat eredménye. A vizsgajegy megállapításánál az évközi feladat és a vizsgateljesítmény 50%-50%-os súllyal számít. Az előadások elhangzott témákból két véletlenszerűen kiválasztott kérdés szóbeli megválaszolása. A szóbeli felelet előtt rövid, tömör vázlat készítése. Ellenőrzésre kerül az alapvető ok-okozati összefüggések, az elmélet alkalmazása, illetve kapcsolata a gyakorlattal, alkalmazhatósága. A szóbeli vizsga kiváltható egy a félév során elkészített, a kutatási témához kapcsolódó feladat színvonalas megoldásával.
Weight of exam elements
| Type | Weight |
|---|---|
| Oral exam component | 50 % |
| Mid-term result component | 50 % |
Grade calculation
| Type | ECTS | Performance (%) |
|---|---|---|
| excellent (5) | Excellent [A] | above 92% |
| very good (5) | Very Good [B] | 85 % - 92 % |
| good (4) | Good [C] | 71 % - 85 % |
| satisfactory (3) | Satisfactory [D] | 56 % - 71 % |
| pass (2) | Pass [E] | 41 % - 56 % |
| fail (1) | Fail [F] | below 41% |
Attendance requirements
- lecture: 70%
Rules for retake and resubmission
Not provided.
Short description
Not provided.
Detailed description
Not provided.
Recommended courses
Not provided.
Workload to complete the subject
| Description | hours / term |
|---|---|
| részvétel a kontakt tanórákon | 28 |
| felkészülés a gyakorlatokra | 0 |
| részteljesítmény értékelés feladatainak kidolgozása | 30 |
| további, a teljesítéshez szükséges munkaidő ráfordítás | 8 |
| összegző értékelések | 0 |
| vizsgára készülés | 21 |
| labor | 0 |
| összesen | 87 |
Validity of subject requirements
Requirements valid from:
2025. 01. 01.
Requirements valid until:
2029. 07. 15.
Curriculum placement
No curriculum placements recorded for this subject version.