K-INFO
HU
EN
Login

Data Analysis and Visualizaton for Engineers

Adatelemzés és adatvizualizáció mérnököknek
A tantárgyleírás hatályossága
Hatályosság kezdete:
2026. March 21.
Hatályosság vége:
Subject name (Hungarian, English)
Adatelemzés és adatvizualizáció mérnököknek
Data Analysis and Visualizaton for Engineers
Subject code BMEVIMIAV28
Subject type
Training Level
Course types and hours (weekly/semester)
Course type lecture tutorial laboratory
hours (weekly) 2 0 0
type (linked/independent)
Assessment type félévközi érdemjegy
Credits 2
Subject coordinator
DR. Gönczy László
position: egyetemi docens
Responsible department
Mesterséges Intelligencia és Rendszertervezés 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

1.       Adatelemzési forgatókönyvek és folyamatok, adatelemzési projektek célkitűzései, mérési követelmények, adatcsere formátumok, OpenData szabványok, dataspace megközelítés.

2.       Adattípusok; adatok előkészítése és tisztítása, leíró statisztikák.

3.       Adatvizualizáció. Vizualizáció céljai: összehasonlítás, trendelemzés, kiugró értékek keresése, kapcsolatok meghatározása, csoportosítás. Vizualizáció felhasználási esetei és ezek támogató technológiái monitorozás/dashboard, üzleti jelentés, alternatívák/hipotézisek kiértékelése, megismételhető kutatás. Technológiai támogatás: R, Python, PowerBI, felhő alapú adatfeldolgozó/megjelenítő szolgáltatások.

4.       Interaktív adatvizualizáció. Nagyméretű, sokdimenziós, bonyolult szerkezetű adatok megjelenítése és vizuális feltáró analízise. JS alapú megoldások (D3.js, Processing, chart könyvtárak), interaktív keretrendszerek (Shiny, Dash), HoloViz.

5.       Feltáró (Exploratory) és megerősítő (Confirmatory) adatelemzés.

6.       Irányított feltáró adatelemzés. Dimenzióredukció, feature selection és alkalmazása az informatikában,  esettanulmány: rendszermonitorozás tervezése.

7.       Modellalkotás: kvalitatív és kvantitatív modellek, kísérlettervezés.

8.       Modellmagyarázat és modellek minőségbiztosítása. Elemzések validálása, teljessége, helyessége, mérési kampányok kiértékelése. Esettanulmány: benchmarking.

9.       Elosztott adatfeldolgozás: "at rest Big Data"

10.   Elosztott adatfeldolgozás: stream processing

11.   Adattárolás és -feldolgozás szemantikus támogatása, automatizált javaslatok elemzési célokhoz rendelt vizualizációkra.

12.   Mérnöki modellek hihetőségvizsgálata, szimulációk kiértékelése, ritka események detektálása. 

13.   Mérnöki modellalkotás és megoldási alternatívák kiértékelése. Mérnöki modellek felhasználása adatelemzésben: Oksági kapcsolatok, topologikus korreláció, sorrendiség és viselkedésmodellek figyelembevétele, változószelekció.

14.   Szoftverfejlesztési és üzemeltetési folyamatok minőségbiztosításának adatalapú támogatása, informatikai rendszerek és szoftverek teljesítménykiértékelése, biztonságkritikus rendszerek fejlesztési folyamatainak adatalapú vizsgálata.

A tantárgy mérnöki feladatok adatvezérelt megoldását támogatja, kiemelt hangsúlyt fektetve a feltáró adatelemzés és a szakterületi modellek használatára. A tárgy bemutatja adatalapú módszerek informatikai rendszerekbe történő integrációjának lehetőségeit, alkalmazási területként kiemelten tárgyalja a mérési adatok, valamint a szoftverek fejlesztése és üzemeltetése közben keletkezett adatok elemzési kérdéseit. A tantárgy követelményeit eredményesen teljesítő hallgató képes lesz áttekinteni az adatfeldolgozás és feltáró adatelemzés főbb lépéseit, kiértékelni egy adott adatkészlet főbb minőségi jellemzőit, meghatározni és kiértékelni mérnöki problémák adatvezérelt megoldásának céljait, mérnöki ismeretekkel támogatott vizualizációs és adatelemzési feladatokat elvégezni.

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.

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)
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
Követelmények: Egyéni házi feladat megoldása a 13. hét végéig és szóbeli bemutatása a 14. héten. Pótlási lehetőségek: A házi feladat beadható késedelmesen a pótlási hét keddig, szóbeli bemutatása a pótlási héten.
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.