Kooperáció és gépi tanulás laboratórium

Üzleti intelligencia mérési sorozat

I. Bevezetés az üzleti intelligencia rendszerekbe, adattárházak építése, intelligens adatintegráció
A mérésen a hallgatók betekintést kapnak az üzleti intelligencia rendszerek építésének és alkalmazásainak folyamataiba, majd egy adattárház fejlesztő eszközben egy egyszerűsített, minta adattárház építésének lépéseit viszik végig. A feladatok bemutatják az adattárház építés egyik kulcslépésé, az ETL (extract, transform, load) folyamat részleteit, a hallgatók megismerkedhetnek a tartalmi heterogenitás problamatikájával.

II. Adattisztítás és szövegelemzés
Az adattárházakban alkalmazott adattisztítási algoritmusok gyakorlás. Információ kiértékelési feladatok gyakorlása, egyszerű statisztikai elemzések, szabálytanulás, OLAP alapú adatvizualizáció és jelentéskészítés.

III. Dokumentum- és adattárak elemzése kontrollált természetes nyelvű felület alkalmazásával
A mérés célja megismerni egy természetes nyelvhez közelálló, hatékony lekérdező nyelv kialakításnak és alkalmazásának lépéseit. 

Szemantikus web mérési sorozat

IV. Egyszerű keresési módszerek
A mérés célja néhány adat- és szövegfeldolgozási és webes keresési módszer kipróbálása, kontrollált természetes nyelvű felületek használata.

V. Tárgyterület modellezése.
A mérés célja kidolgozni a szemantikus kereséshez szükséges tárgyterületi modellt (ontológiát), és a gyakorlatban is kipróbálni a Protégé ontológiaszerkesztő eszközt.

VI. Szemantikus információkeresés
A mérés célja az előző két gyakorlat eredményeinek ötvözése: a tárgyterület modelljével felvértezve szemantikus elemekkel bővíteni az első gyakorlaton implementált webes információelérést.

Gépi tanulás és döntéstámogatás

VII. Statikus és dinamikus neuronhálók vizsgálata, és alkalmazása
A hallgatók egy egyszerű neuronhálós osztályozási feladat megoldásához konstruálnak különböző típusú statikus neuronhálókat és megvizsgálják a neuronhálók különböző paraméterbeállítási lehetőségeinek a hatását. A mérés második részébenolyan dinamikus neuronhálón (MLP, RBF vagy SVM) alapuló előrejelző rendszert kell konstruálni, amely előre elkészített adatsor alapján az adatsor folytatásának becslését adja meg.

VIII. Kernel gépek vizsgálata
Egyszerű függvényapproximációs és osztályozási feladatok megoldása szupport vektor gépekkel (SVM)

IX. Bayesi tanulás
A laborfoglalkozás célja a passzív megfigyeléseken alapuló tárgyterületi modelltanulás vizsgálata Bayes hálók felhasználásával.