Adatelemzés mélytanulási módszerekkel

• Adatelemzési problémák típusai. Adatelőkészítési és gépi tanuló módszerek az adatelemzés folyamatában.
• Bináris és többosztályos osztályozás. Döntési felületek meghatározása. Szupport vektor gépek, one-vs-all algoritmus, keresztvalidáció.
• Magyarázható gépi tanuló módszerek. Lusta tanuló módszerek. K-legközelebbi szomszéd módszer.
• Lineáris modellek. Linear discriminant analysis (LDA).
• Klaszterezés, k-means (Forgy módszer), k-means++ algoritmus. Belső és külső kiértékelési indikátorok, klaszteranalízis. Hierarchikus klaszterezés. Sűrűség alapú klaszterezés (pl. DBSCAN).
• Dimenziócsökkentés szerepe az adatok elemzésében. Legfontosabb dimenziócsökkentő módszerek.
• Mélytanulás, mély neurális hálózatok (DNN). Aktivációs és veszteség függvények. Neurális hálózat tanítása, hiba visszaterjesztés. Túltanulás elleni regularizáció (early stopping, dropout, batch normalizálás). Optimalizációs eljárások, hiperparaméter optimalizálás.
• DNN típusok: Konvolúciós neurális hálózatok (CNN), Rekurrens neurális hálózatok (RNN), Gated Recurrent Unit (GRU), Long Short-Term Memory (LSTM) és Bidirectional RNN (BRNN).
• Adatelemzés strukturált és strukturálatlan vállalati adatokon. Szöveges adatállományok. Vállalati adatok osztályozása és szegmentálása.
• Idősor jellegű adatok specialitásai. Idősor analízis. Gazdasági adatok elemzése, előrejelzési módszerek.
• Idősor analízis mélytanulási módszerekkel. Sequence-to-sequence módszerek.
• Multimédia elemzés, mélytanulás az audio jellegű adatok osztályozásához.
• Videóelemzés. Objektumkövetés videókban. Tracking-by-detection megközelítés. Egyszerű IOU alapú követés, pozícióbecslési eljárások, Kálmán szűrő. Multiple Object Tracking (MOT). Simple Online and Realtime Tracking (SORT) és DeepSORT algoritmus.
• Osztályozás kevés adat alapján. Zero-shot, one-shot, few-shot tanulás, sziámi hálózatok. Megtévesztési módszerek. Face spoofing, deep fake.

A gyakorlatok/laborok részletes tematikája:

A félév során a gyakorlatok Python környezetben történnek, amelyek mindig az előadás anyaghoz kapcsolódnak és az ismeretek elmélyítését szolgálják.

• Python alapok (ipython notebook, numpy, scikit-learn). Adatelőkészítési lépések a gyakorlatban.
• Modell validáció és jellemzőtervezés. KNN és SVM összevetése.
• K-means és hierarchikus klaszterezés vállalati adatokon. Klaszterszám meghatározása.
• Dimenziócsökkentés a gyakorlatban.
• Neurális hálózat implementációja.
• Mélytanulási keretrendszerek. Konvolúciós réteg implementációja.
• Python OpenCV programkönyvtár.
• Osztályozás lineáris modellekel.
• Idősor analízis. Makrogazdasági adatok elemzése.
• Szöveges adatok elemzése.
• Beszédfelismerés.
• Közlekedési adatok elemzése.
• Gépjárművek követése IOU tracker és SORT segítségével, YOLO alapon.
• Házi feladatok bemutatása és megbeszélése.