Subject » BMEVIHID073
Artificial Intelligence Algorithms
A mesterséges intelligencia algoritmusai
A tantárgyleírás hatályossága
Hatályosság kezdete:
2026. March 21.
Hatályosság vége:
—
| Subject name (Hungarian, English) |
A mesterséges intelligencia algoritmusai
Artificial Intelligence Algorithms
|
||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Subject code | BMEVIHID073 | ||||||||||||
| Subject type | — | ||||||||||||
| Training Level | — | ||||||||||||
| Course types and hours (weekly/semester) |
|
||||||||||||
| Assessment type | vizsga | ||||||||||||
| Credits | 5 | ||||||||||||
| Subject coordinator |
DR. Levendovszky János
position: egyetemi tanár
contact:
levendovszky.janos@vik.bme.hu
|
||||||||||||
| Responsible department |
Hálózati Rendszerek és Szolgáltatások Tanszék
|
||||||||||||
| Faculty | Villamosmérnöki és Informatikai 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 | none |
Objectives
Programme
A mesterséges intelligencia fajtái és matematikai leírása
Bayes döntés és halmazszeparálási feladatok
Rosenblatt algoritmus és Robbins Monroe sztochasztikus approximáció
Előrecsatolt neurális hálózatok és univerzális approximáció
Komplexitás és konstruktív approximációelmélet (Blum és Li konstrukció, Hahn-Banach tétel)
A gépi tanulás statisztikai elmélete (bias-variance dilemma, VC dimenzió)
Rekurrens neurális hálók
Alkalmazás optimalizálásra
Radiális Bázisfüggvény lapú háló
Boltzmann gép
Support Vector Machine
Alkalmazás telekommunikációs hálózatokban (QoS kommunikáció, adaptív kiegyenlítés, MUD, routing)
Alkalmazás idősorok adatbányászatában (MSE alapú predikció, FCPD alapú predikció, pénzügyi idősorok és outlier detekció, alkalmazás pénzügyi idősorokban)
Bayes döntés és halmazszeparálási feladatok
Rosenblatt algoritmus és Robbins Monroe sztochasztikus approximáció
Előrecsatolt neurális hálózatok és univerzális approximáció
Komplexitás és konstruktív approximációelmélet (Blum és Li konstrukció, Hahn-Banach tétel)
A gépi tanulás statisztikai elmélete (bias-variance dilemma, VC dimenzió)
Rekurrens neurális hálók
Alkalmazás optimalizálásra
Radiális Bázisfüggvény lapú háló
Boltzmann gép
Support Vector Machine
Alkalmazás telekommunikációs hálózatokban (QoS kommunikáció, adaptív kiegyenlítés, MUD, routing)
Alkalmazás idősorok adatbányászatában (MSE alapú predikció, FCPD alapú predikció, pénzügyi idősorok és outlier detekció, alkalmazás pénzügyi idősorokban)
A tárgy célja a mesterséges intelligencia és a neurális információ processzálás algoritmikus hátterének mélyebb ismertetése, amely lehetővé teszi a különböző területeken fellépő kutatási feladatok megoldását, illetve a a kapcsolódó alkalmazásfejlesztéseket.
Learning outcomes
Ez a tantárgy a KKK rendeletben meghatározott, következő kompetenciák fejlesztését szolgálja:
Knowledge
No learning outcomes recorded.
Skills
No learning outcomes recorded.
Attitudes
No learning outcomes recorded.
Autonomy and responsibility
No learning outcomes recorded.
Oktatási módszertan
Előadás gyakorlati példákkal
Tanulástámogató anyagok
Not provided.
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)
Lineáris algebra, analízis, valószínűségszámítás
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)
Lineáris algebra, analízis, valószínűségszámítás
General rules
Követelmények:
Vizsgaidőszakban: sikeres vizsga
Pótlási lehetőségek:
ismétlő vizsga
Assessment methods
In-term assessments
No detailed assessments provided.
Weight of in-term assessments
No weights provided.
Exam-period assessments
No detailed assessments provided.
Weight of exam elements
No weights provided.
Grade calculation
No grade thresholds provided.
Attendance requirements
No attendance requirements provided.
Rules for retake and resubmission
Not provided.
Short description
Not provided.
Detailed description
Not provided.
Recommended courses
Not provided.
Workload to complete the subject
No workload breakdown provided.
Validity of subject requirements
Requirements valid from:
—
Requirements valid until:
—
Curriculum placement
No curriculum placements recorded for this subject version.