Tantárgy » BMEVIMIMB09
Intelligens adatelemzés és döntéstámogatás
Intelligent Data Analysis and Decision Support
A tantárgyleírás hatályossága
Hatályosság kezdete:
2026. March 21.
Hatályosság vége:
—
| Tantárgy neve (magyarul, angolul) |
Intelligens adatelemzés és döntéstámogatás
Intelligent Data Analysis and Decision Support
|
||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Tantárgykód | BMEVIMIMB09 | ||||||||||||
| Tantárgyjelleg | — | ||||||||||||
| Képzési szint | — | ||||||||||||
| Kurzustípusok és óraszámok (heti/féléves) |
|
||||||||||||
| Tanulmányi teljesítmény/értékelés típusa | vizsga | ||||||||||||
| Tantárgy kreditértéke | 5 | ||||||||||||
| Tantárgyfelelős |
DR. Antal Péter
beosztás: egyetemi docens
elérhetőség:
antal.peter@vik.bme.hu
|
||||||||||||
| Tantárgyat gondozó oktatási szervezeti egység |
Mesterséges Intelligencia és Rendszertervezés Tanszék
|
||||||||||||
| Kar | Villamosmérnöki és Informatikai Kar | ||||||||||||
| Tantárgy weboldala | https://www.mit.bme.hu/oktatas/targyak/vimimb09 | ||||||||||||
| 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
Az előadások részletes tematikája:
- Becslés és döntéselmélet, az optimális döntés és az emberi döntések sajátosságai, hasznosságfüggvények típusai. Intelligens következtetési típusok: valószínűségi, oksági és kontrafaktuális következtetés. Az információ értéke és optimális információgyűjtési stratégiák.
- Intelligens adatelemzési módszerek, adatelemzés különböző típusú (táblázatos, idősoros, strukturálatlan) adatokon.
- Regresszió típusú döntési problémák. Regularizált regressziós módszerek: Ridge, Lasso, Elastic net.
- Nem lineáris dimenziócsökkentő metódusok (autoencoder, manifold). Dimenzióredukció alkalmazási területei.
- Klaszterezés csoportosítási feladatoknál és osztályozási problémák előfeldolgozásaként. Biklaszterezés, spektrál klaszterező módszerek.
- ML módszerek teljesítményének (pontosságának) növelése. Együttes gépi tanuló módszerek (ensemble, ECOC).
- Ajánlórendszerek típusai és adatelemző módszerei. Mátrix faktorizáció és kollaboratív szűrés az ajánlórendszereknél.
- Adatvezérelt döntéstámogatás gépi tanuló modellekkel. Döntések kiértékelésének folyamata.
- Valószínűségi gráfos modellek definíciói, parametrikus és strukturális szemantikája, ritka reprezentációk használata, következtetési algoritmusok, nevezetes modellosztályok (naív Bayes hálók, Rejtett Markov Modellek). Kiterjesztések elsőrendű valószínűségi logikák és sztochasztikus nyelvtanok irányába.
- Oksági modellek származtatása, megfigyelési ekvivalencia fogalma. Beavatkozások modellezése a do(.) szemantika és gráf csonkolás segítségével. Korrigálás fogalma oksági hatáserősség becslésében. Kontrafaktuális következtetés.
- Konjugáltság és elégséges statisztika egzakt Bayes következtetésben. Bayes következtetések közelítési módszerei. Monte Carlo módszerek, elutasításos és fontossági mintavételezés. Markov Lánc Monte Carlo módszerek (MLMC): konvergencia és konfidencia diagnosztikai, többláncú módszerek, Metropolis-kapcsolt MLMC. Hibrid MLMC.
- Oksági modellek tanulása megfigyelési és beavatkozási adatból. Tanulás háttértudással, adat- és tudásfúzió rendszermodellek tanulásánál. Modelltulajdonságok Bayes tanulása.
- Aktív tanulás, tanulás költséggel. k-karú rablók (banditák), Monte Carlo fakeresés. Megerősítéses tanulás, mély megerősítéses tanulás.
- Ajánló rendszerek, zaj és informatív hiányzás kezelése. Felfedező rendszerek, korai felfedezési teljesítménymértékek, kísérlet várható hasznossága, adaptív kísérlettervezés.
A gyakorlatok részletes tematikája:
- Döntési modell konstruálása. Optimális döntés és információ értékének vizsgálata.
- Haladó regressziós gyakorlat Pythonban
- Spektrál klaszterezés képeken (Python)
- Együttes gépi tanuló módszerek (számolási gyakorlat)
- Oksági modell konstruálása. Valószínűségi, oksági és kontrafaktuális következtetés vizsgálata.
- Markov Lánc Monte Carlo módszerek vizsgálata: Gibbs és hibrid MCMC mintavételezés.
- Hiperparaméter optimalizálás k-karú rablók és mély tanulásos Monte Carlo fakereséssel.
Az intelligens
adatelemzés és döntéstámogatás tárgy haladó, a gépi tanulás és mélytanulás
kutatási frontvonalában lévő megközelítéseket mutat be, így segítve valós
problémák szélesebb körének mérnöki megoldását. Elsőként áttekintjük a bayes
statisztikai és döntéselméleti kereteket, amelyek egységes keretet nyújtanak a
háttértudás felhasználásához, a hiányos és bizonytalan adatok kezeléséhez,
komplex modellek alkalmazásához és az intelligens következtetési formákhoz,
adaptív adatgyűjtéshez.
Intelligens adatelemzési
módszerek között bemutatjuk azokat a technikákat, melyek előfeldolgozásként
segíthetnek az elemzés hatékonyságán, jóságán. Ezek között a
dimenziócsökkentési és reprezentáció tanulási módszerek a hatékonyságot növelik
- az utóbbiak absztraktabb megoldást nyújtva - a klaszterezés pedig fontos
része az adatelemzés folyamatának. Az adatelemzést segítő gépi tanuló módszerek
teljesítményének növelése történhet együttes gépi tanuló módszerekkel, ezen
kívül valós teszthalmazon robusztusabb teljesítmény érhető el regularizációval.
Részletesen ismertetjük az adatvezérelt döntéstámogatást ezekkel a gépi tanuló
módszerekkel és a döntések kiértékelésének folyamatát, valamint gyakorlatban
bemutatjuk ezek használatát különböző típusú (egyszerű, hierarchikus, idősoros,
strukturálatlan) adatokon.
A beavatkozási adatok
kezelésére és az intelligens adatgyűjtés támogatására bemutatjuk a
valószínűségi gráfos modellosztályt és a kapcsolódó döntési hálókat és oksági
hálókat, valamint a valószínűségi, oksági és kontrafaktuális következtetési
módokat. Ismertetjük a bayes következtetések közelítő számítási módszereit,
elsősorban a Markov lánc Monte Carlo módszereket. Bemutatjuk az oksági modellek
modern gépi tanulási módszereit és a háttértudás szerepét a tanulásban, adat- és
tudásfúzióban. Az adaptív adatgyűjtés keretén belül bemutatjuk az aktív
tanulást, a megerősítéses tanulást és a k-karú rablókat, valamint ezek
alkalmazását ajánló rendszerekben és felfedező rendszerekben.
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
és gyakorlat.
Tanulástámogató anyagok
Online források
Russell, Stuart; J., Peter Norvig: Artificial intelligence a modern approach. Pearson; Education, Inc., 2010.Antal Péter - Antos; András - Hajós Gergely - Hullám Gábor - Millinghoffer András, Antal Péter; (szerk.), Valószínűségi döntéstámogató rendszerek, ISBN:; 978-963-2791-84-5, 2014Antal Péter - Antos; András - Horváth Gábor - Hullám Gábor - Kocsis Imre - Marx Péter -; Millinghoffer András - Pataricza András - Salánki Ágnes, Antal Péter (szerk.), Intelligens; adatelemzés, ISBN: 978-963-2791-71-5, 2014; Thomas; A. Runkler: Data Analytics - Models and Algorithms for Intelligent Data; Analysis, 2nd Edition, Springer, 2016
A tantárgy teljesítéséhez ajánlott előzetes ismeretek
Tudás típusú kompetenciák
(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)
Adatelemzés,
gépi tanulás, mesterséges intelligencia alapjai
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)
Adatelemzés,
gépi tanulás, mesterséges intelligencia alapjai
Általános szabályok
Követelmények:
Szorgalmi
időszakban:
Hat darab kéthetenkénti kis házi feladat, amelyek mindegyikének megfelelő szintű megoldása az aláírás feltétele. Egy opcionális nagy házi feladat, melyeket a hallgatóknak az oktatókkal egyeztetett témában és adatkészleten kell elvégezni. Aki a nagy házi feladatot magas színvonalon elvégzi, annak az oktatók megajánlott jegyet ajánlhatnak fel.
Vizsgaidőszakban:
Írásbeli vizsga, mely kiterjed a lefedett elméleti és gyakorlati anyagokra, kapcsolódva a házi feladatokhoz. A vizsga elégséges szintje 40%.
Pótlási lehetőségek:
Két kis házi feladat és a nagy házi feladat a pótlási
hét végéig pótolható.
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
Matematikai
statisztika
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.