Adatbányászati algoritmusok

Data Mining Algorithms

A tantárgyleírás hatályossága

Hatályosság kezdete:

2026. March 21.

Hatályosság vége:

—

Tantárgy neve (magyarul, angolul)

Adatbányászati algoritmusok

Data Mining Algorithms

Tantárgykód

BMEVISZD308

Tantárgyjelleg

—

Képzési szint

—

Kurzustípusok és óraszámok (heti/féléves)

Kurzustípus	elmélet	gyakorlat	laboratóriumi gyakorlat
óraszám (heti)	4	0	0
jelleg (kapcsolt/önálló)	—	—	—

Tanulmányi teljesítmény/értékelés típusa

vizsga

Tantárgy kreditértéke

Tantárgyfelelős

DR. Katona Gyula

beosztás: egyetemi tanár

elérhetőség: katona.gyula@vik.bme.hu

Tantárgyat gondozó oktatási szervezeti egység

Számítástudományi és Információelméleti 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

- Lineáris és polinomiális egy- és többváltozós regresszió, kapcsolódó optimalizációs technikák: gradiens módszer, normál egyenlet

- Felügyelt gépi tanulás, osztályozás: legközelebbi szomszéd osztályozó, döntési fák, logisztikus regresszió, nemlineáris osztályozók, neurális hálók, support vektor gépek, idősorok osztályozása, dinamikus idővetemítés

- Haladó osztályozási technikák: részben-felügyelt tanulás (semi-supervised osztályozás), többosztályos feladatok, többfeladatos tanulási problémák, ensemble tanulás: bagging, boosting, stacking, ensemble tanulás Dietterich-féle modellje, csomósodás jelensége, csomósodást figyelembe vevő tanulási eljárások

- Tanuló algoritmusok értékelése: kereszt-validációs protokollok, bias-variance trade-off

- Klaszterezés: k-közép és változatai (k-medoids, FurthestFirst), hierarchikus klaszterező, Kleiberg-féle lehetetlenségelmélet, klaszterezés stabilitása, „klaszterezhetőség” fogalma, kapcsolat a konvergencia-sebesség és klaszterezhetőség között

- Főkomponens analízis, low-rank mátrix faktorizáció, collaborative filtering és alkalmazásaik (ajánlórendszerek, drug-target predikció)

- Sűrűségbecslés és anomáliakeresés

- Gyakori elemhalmaz-bányászat

- Orvosbiológiai adatok (pl. NGS adatok, génkifejeződés adatok, orvosbiológiai idősorok) feldolgozása és bányászata

- Alkalmazások és sikeres alkalmazásokhoz kapcsolódó kérdések: előfeldolgozás, változók skálázása, túltanulás, hiperparaméter-tanulás, tanulás kiegyensúlyozatlan osztályeloszlású adatokból

- Adattudomány legfontosabb eszközeinek alapjai: Octave/Matlab, Python, R, Hadoop.

- Adatbányászati algoritmusok és az adattudomány legfontosabb eszközeinek ismerete. - Az adattudomány legfontosabb eszközeinek gyakorlati alkalmazására vonatkozó képesség elsajátítása.

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

heti 2x2 óra előadás

Tanulástámogató anyagok

Online források

Pang-Ning Tan, Michael Steinbach, Vipin Kumar:; Introduction to Data Mining ; http://www-users.cs.umn.edu/~kumar/dmbook/index.php; ; Bodon Ferenc, Buza Krisztián: Adatbányászat, elektronikus; jegyzet; http://www.cs.bme.hu/~buza/pdfs/adatbanyaszat-cover.pdf

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 alapismeretek - programozási alapismeretek (legalább egy programozási nyelv ismerete)

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 alapismeretek - programozási alapismeretek (legalább egy programozási nyelv ismerete)

Általános szabályok

Követelmények: a. A szorgalmi időszakban: 5 db házi feladat és személyes beszámolás a házi feladatokról b. A vizsgaidőszakban: szóbeli vizsga c. Elővizsga: lehetséges Pótlási lehetőségek: A házi feladatok a pótlási hét végéig pótolhatók.

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

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.