Subject » BMEVIMIM328
Intelligent Data Analysis
Intelligens adatelemzés
A tantárgyleírás hatályossága
Hatályosság kezdete:
2026. March 21.
Hatályosság vége:
—
| Subject name (Hungarian, English) |
Intelligens adatelemzés
Intelligent Data Analysis
|
||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Subject code | BMEVIMIM328 | ||||||||||||
| Subject type | — | ||||||||||||
| Training Level | — | ||||||||||||
| Course types and hours (weekly/semester) |
|
||||||||||||
| Assessment type | vizsga | ||||||||||||
| Credits | 4 | ||||||||||||
| Subject coordinator |
DR. Antal Péter
position: egyetemi docens
contact:
antal.peter@vik.bme.hu
|
||||||||||||
| 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
- Bevezetés. A statisztikai adatok sokfélesége. Az indukció valószínűségi megközelítése. Klasszikus és bayesi statisztika célkitűzései, metodológiája. Alapfogalmak bemutatása egy változós normális eloszlás esetén, parallel fogalmak összehasonlítása és komplex valószínűségi modellek esetén. A valószínűségi következtetések típusai: megfigyeléses, beavatkozásos, kontra-faktuális.
- Adatok vizualizációja. Dimenzió-, topológia- és varianciamegőrző dimenzió csökkentő leképezések.
- Adatok leiró statisztikai elemzése. Kluszterező módszerek. A kiértékelés és értelmezés problémája. Adatintegrálás, tudásfúzió.
- A hiányos adat típusai. Hiányos adatok kezelési módszerei. Expectation-Maximization. Bayesi megközelítés.
- Kismintás statisztikai módszerek. Bootstrap. Bayesi következtetés hatékony Monte Carlo módszerekkel: MC, MCMC, MCMCMC, ....
- Feltételes modellek tanulása és használata hiányos adat esetén kiegészítő modellekkel.
- Kiterjesztett Bayes hálók. Monolitikus Bayes hálók. Oksági Bayes hálók. Hierarchikus és dekomponált Bayes hálók, objektum orientált Bayes hálók, dinamikus Bayes hálók, rejtett Markov modellek.
- Bayes hálók tanulása és értelmezése.
- Bayes hálók tanulása hiányos adatok és beavatkozásos adatok esetén.
- Bayesi következtetés Bayes hálók tulajdonságairól.
- Tanulás logikai reprezentációkban. Induktív logikai programozás. A tudás szerepe a tanulásban. Magyarázat alapú tanulás.
- Sztochasztikus nyelvtanok. Rejtett Markov modellek és sztochasztikus nyelvtanok kapcsolata. Nyelvtanok tanulása.
- Alkalmazások. Biológiai szekvenciák elemzése. Orvosbiológiai oksági modellek tanulása megfigyelési és beavatkozási adatok együtteséből.
- ‘Szövegbányászat’-i módszerek és információ keresés. Relációk automatikus kivonatolása szintaktikai (nyelvészeti) és statisztikai módszerekkel. Szakirodalmi hálók és tudásbázisok automatikus építése. A szövegbányászat eredményeinek felhasználása a statisztikai adatelemzésben.
A statisztikai adatelemzést az adatok mennyiségének és a számítási kapacitásnak a növekedése mellett a következő tényezők is új területekkel gazdagították:
az adatok heterogenitásának növekedése, a korábban domináns passzív, strukturálatlan megfigyeléses adat mellett, egyre nagyobb szerepet kap az aktív beavatkozásból származó és strukturált adat
az elektronikusan elérhető háttértudás növekedése, az a priori ismeretek szakértőtől származó beszerzését felváltják az elektronikus forrásokból származtatott ismeretek
a modellek komplexitásának növekedése, a korábbi függvényapproximációs és eloszlásmodellezős szemlélet mellett egyre nagyobb hangsúlyt kap a dekomponált, hierarchikus (relációs/objektum-orientált) modelleknek a tanulása, illetve oksági modellek tanulása, beavatkozásokhoz tartozó és kontra-faktuális valószínűségek következtetése
és a feltett kérdések szemantikai jellegének a növekedése, a korábbi predikciós és teljes modell tanulását célzó módszerek mellett, egyre nagyobb szerepet kapnak a modell jegyeinek, szemantikus tulajdonságainak a tanulása, különös tekintettel a háttértudás felhasználására a kérdések megfogalmazásában
a bayes statisztikai megközelítés előtérbe kerülése, ami a számítási kapacitás, az elektronikusan elérhető a priori ismeretek, a modellek és a kérdések komplexitásának növekedésének is következménye.
Ezek az új területek összefoglalóan egy tudás és számítás intenzív bayes statisztikai keretben helyezhetők el, ami tehát komplex adatoknak, ismereteknek, modelleknek és kérdéseknek a statisztikai elemzését kínálja.
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)
Valószínűségszámítás, Mesterséges Intelligencia
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)
Valószínűségszámítás, Mesterséges Intelligencia
General rules
Követelmények:
a. A szorgalmi időszakban:
· félév közben (kb. 8-9. héten) egy nagy ZH (max. pontszám 50), a szükséges minimum szint a pontok 40%-a.
b. pótlási héten: elővizsga igény szerint.
b. A vizsgaidőszakban: írásbeli vizsga. A vizsgára bocsátás feltétele az évközi ZH minimális (40 %) szintű teljesítése.
c. Osztályozás:
A vizsga osztályzata a vizsgaeredmény alapján kerül megállapításra.
Pótlási lehetőségek:
Sikertelen zárthelyi a szorgalmi időszakban a pótzárthelyin pótolható. A sikertelen (pót)zárthelyi a pótlási héten különeljárási díj ellenében egy további alkalommal pótolható.
Javítás esetén a javító pótzárthelyi írás megkezdésekor az eredeti eredmény törlődik, mindenképpen a javító pótzh eredményét vesszük figyelembe (akár jobb, akár rosszabb az eredeti eredménynél).
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
Ajánlott:
Mesterséges intelligencia
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.