Tantárgy » BMEVIHID073
A mesterséges intelligencia algoritmusai
Artificial Intelligence Algorithms
A tantárgyleírás hatályossága
Hatályosság kezdete:
2026. March 21.
Hatályosság vége:
—
| Tantárgy neve (magyarul, angolul) |
A mesterséges intelligencia algoritmusai
Artificial Intelligence Algorithms
|
||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Tantárgykód | BMEVIHID073 | ||||||||||||
| Tantárgyjelleg | — | ||||||||||||
| Képzési szint | — | ||||||||||||
| Kurzustípusok és óraszámok (heti/féléves) |
|
||||||||||||
| Tanulmányi teljesítmény/értékelés típusa | vizsga | ||||||||||||
| Tantárgy kreditértéke | 5 | ||||||||||||
| Tantárgyfelelős |
DR. Levendovszky János
beosztás: egyetemi tanár
elérhetőség:
levendovszky.janos@vik.bme.hu
|
||||||||||||
| Tantárgyat gondozó oktatási szervezeti egység |
Hálózati Rendszerek és Szolgáltatások Tanszék
|
||||||||||||
| Kar | Villamosmérnöki és Informatikai Kar | ||||||||||||
| Tantárgy weboldala | — | ||||||||||||
| Tantárgy elsődleges mintatantervi jellege | — | ||||||||||||
| Közvetlen előkövetelmények – Erős előkövetelmény | nincs | ||||||||||||
| Közvetlen előkövetelmények – Gyenge előkövetelmény | nincs | ||||||||||||
| Közvetlen előkövetelmények – Párhuzamos előkövetelmény | nincs | ||||||||||||
| Közvetlen előkövetelmények – Mérföldkő előkövetelmény | nincs | ||||||||||||
| Közvetlen előkövetelmények – Kizáró feltétel | nincs |
Célkitűzés
Tantárgyprogram
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.
Tanulmányi eredmények
Ez a tantárgy a KKK rendeletben meghatározott, következő kompetenciák fejlesztését szolgálja:
Tudás
Nincsenek rögzített tanulási eredmények.
Képességek
Nincsenek rögzített tanulási eredmények.
Attitűd
Nincsenek rögzített tanulási eredmények.
Autonómia és felelősség
Nincsenek rögzített tanulási eredmények.
Oktatási módszertan
Előadás gyakorlati példákkal
Tanulástámogató anyagok
Online források
• Artificial Intelligence: A Modern Approach | 2nd Edition ISBN-13:9780137903955ISBN:0137903952Authors:Peter Norvig,Stuart J. Russell; • Neural networks: a comprehensive foundation by Simon Haykin, Macmillan, 1994, ISBN 0-02-352781-7.; • Gupta, Sinha: Soft computing and intelligent systems – theory and applications
A tantárgy teljesítéséhez ajánlott előzetes ismeretek
Tudás típusú kompetenciák
(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)
Lineáris algebra, analízis, valószínűségszámítás
Képesség típusú kompetenciák
(azon előzetes képességek és készségek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)
nincs
Ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák
(azon ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák összessége, amelyek jelentősen hozzájárulnak a tantárgy eredményes teljesítéséhez)
Lineáris algebra, analízis, valószínűségszámítás
Általános szabályok
Követelmények:
Vizsgaidőszakban: sikeres vizsga
Pótlási lehetőségek:
ismétlő vizsga
Teljesítményértékelési módszerek
Szorgalmi időszakban végzett teljesítményértékelések részletes leírása
Nincs megadva részletes értékelés.
Szorgalmi időszakban végzett teljesítményértékelések részaránya
Nincs megadva részarány.
Vizsgaidőszakban végzett teljesítményértékelések részletes leírása
Nincs megadva részletes értékelés.
Vizsgarészek részaránya
Nincs megadva részarány.
Érdemjegy megállapítása
Nincs megadva érdemjegy határ.
Jelenléti és részvételi követelmények
Nincs megadva jelenléti követelmény.
Javítás, ismétlés és pótlás különös szabályai
Nincs megadva.
Rövid leírás
Nincs megadva.
Részletes leírás
Nincs megadva.
Ajánlott tantárgyak
Nincs megadva.
A tantárgy elvégzéséhez szükséges tanulmányi munka
Nincs megadva munkaidő bontás.
Tantárgykövetelmények hatályossága
Tantárgykövetelmények hatályosságának kezdete:
—
Tantárgykövetelmények hatályosságának vége:
—
Tantervi elhelyezés
Nincsenek rögzített tantervi elhelyezések ehhez a tárgyverzióhoz.