Nagyméretű adathalmazok kezelése

Very Large Databases

A tantárgyleírás hatályossága

Hatályosság kezdete:

2026. March 21.

Hatályosság vége:

—

Tantárgy neve (magyarul, angolul)

Nagyméretű adathalmazok kezelése

Very Large Databases

Tantárgykód

BMEVISZMA01

Tantárgyjelleg

—

Képzési szint

—

Kurzustípusok és óraszámok (heti/féléves)

Kurzustípus	elmélet	gyakorlat	laboratóriumi gyakorlat
óraszám (heti)	2	1	0
jelleg (kapcsolt/önálló)	—	kapcsolt	—

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

cs.bme.hu/nagyadat

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

1. Gépi tanulás alapvető feladatai, diszkriminatív és generatív modellek, attribútum típusok,

2. Legközelebbi szomszéd keresés: normalizáció, távolság.

3. Döntési fák: faépítés modelljei (C4.5, regressziós fák), tisztasági mértékek, vágások,

4. Early- és post-pruning, folytonos változók kezelése.

5. Naive Bayes: folytonos változók kezelése, m-estimate.

6. Perceptron: aktiválási függvények, stochasztikus gradiens.

7. Klaszterezés: középpontos (k-Means, bisecting k-Means),

8. Sűrűség alapú módszerek (DBSCAN, OPTICS), hierarchikus klaszterezés (linkage).

9. Ajánló rendszerek: collaborative filtering (Mátrix faktorizáció, legközelebbi szomszéd módszerek), tartalom alapú ajánlás.

10. Keresés: index építés, ranking (tf-idf, BM25, PageRank)

11. Support vector machines (SVM): maximal margin, kernel függvények

12. Principal Component Analysis (PCA)

13. Mesterséges Neurális hálózatok (ANN): felügyelet nélküli (Restricted Boltzmann Machines)

14. Mesterséges Neurális hálózatok (ANN): felügyelt (Multilayer Percetpron) esetben.

A gyakorlatokon az előadáson ismertetett algoritmusokat próbálják ki a hallgatók.

A tárgy célja a nagy adathalmazok esetében felmerülő különleges elméleti és gyakorlati problémák áttekintése. A hallgatók betekintést kapnak a témakör modern irányzataiba, az adatbányászat, relációs adatbázisok, nagy gráfok, adatfolyamok elméleti és gyakorlati kérdésibe.

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 számítógépes gyakorlat.

Tanulástámogató anyagok

Online források

Garcia-Molona, Ullman, Widom:; Adatbázisrendszerek megvalósítása, Panem-John Wiley & Sons, (2001); Bodon Ferenc- Buza Krisztián: Adatbányászat, kézirat: http://www.cs.bme.hu/~buza/pdfs/adatbanyaszat-cover.pdf; ; Tan-Steinbach-Kumar:; Introduction to Data Mining, Pearson Educacion; 2nd Revised edition edition; (2013)

A tantárgy teljesítéséhez ajánlott előzetes ismeretek

Tudás típusú kompetenciák

(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)

Adatbázisok elmélete, gráfelmélet, alapvető algoritmikus technikák

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)

Adatbázisok elmélete, gráfelmélet, alapvető algoritmikus technikák

Általános szabályok

Követelmények: A félév során 2 zárthelyi megírására kerül sor, ezek külön-külön legalább elégségesre (40%) való teljesítése az aláírás feltétele. Nem kötelező jelleggel lehetőség van házi feladat beadására is. A hf –re plusz pont adható, amivel a legalább elégséges eredmény esetén a zh pontok száma növelhető. Vizsgaidőszak: A zárthelyik alapján megajánlott jegy: 40%-54%:2, 55%-69%:3, 70%-84%:4, 85%-100%:5. Lehetőség van szóbeli vizsgán ezen a jegyen módosítani. A szóbeli vizsgán résztvevők esetében a zárthelyik összesen 60%-ban, a vizsga 40%-bn számít be a végső érdemjegybe.

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 megadva.

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.