Tantárgy » BMEVITMAC16
Adatelemzés és mélytanulás laboratórium
Data Analysis and Deep Learning Laboratory
A tantárgyleírás hatályossága
Hatályosság kezdete:
2026. March 21.
Hatályosság vége:
—
| Tantárgy neve (magyarul, angolul) |
Adatelemzés és mélytanulás laboratórium
Data Analysis and Deep Learning Laboratory
|
||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Tantárgykód | BMEVITMAC16 | ||||||||||||
| Tantárgyjelleg | — | ||||||||||||
| Képzési szint | — | ||||||||||||
| Kurzustípusok és óraszámok (heti/féléves) |
|
||||||||||||
| Tanulmányi teljesítmény/értékelés típusa | félévközi érdemjegy | ||||||||||||
| Tantárgy kreditértéke | 3 | ||||||||||||
| Tantárgyfelelős |
Szűcs Gábor, PhD
beosztás: adjunktus
elérhetőség:
szucs.gabor@vik.bme.hu
|
||||||||||||
| Tantárgyat gondozó oktatási szervezeti egység |
Távközlési és Mesterséges Intelligencia 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
Adatelőkészítés szerepe a felügyelt gépi tanulásban
Adatelemzéshez változók készítése és generálása - strukturált vállalati/gazdasági adatokon
Változó kiválasztás kérdései az adatelemzés folyamatában
Mélytanulás LSTM mély neurális hálóval
Valós idejű arcdetektálás és követés videókban (ViolaJones + DeepSORT)
Strukturálatlan adatok osztályozása mély neurális hálókkal (CNN/RNN/LSTM, sequence-to-sequence módszerek)
One-shot, few-shot osztályozás
A laboralkalmak az adatelemzés és mélytanulás technológiái köré szerveződnek, a hallgatók mérnöki problémamegoldó képességét, technológiai ismereteinek bővítését segítik elő. A megismert technológiákat valós adatokon, médiaállományokon kell tesztelni, ami által azok hatékonysága, a megoldás erősségei és gyengeségei egyaránt megismerhetők. A tantárgyat elvégző hallgató az adatelemzési problémák megoldásait képes lesz hatékony Python kódként implementálni, valamint a kapott eredményeket értelmezni, azok segítségével a már korábban elvégzett lépéseket továbbfejleszteni, korrigálni.
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
7 db 4 órás laboratórium
Tanulástámogató anyagok
Online források
Felkészülés a kiadott írásos segédletek alapján.
A tantárgy teljesítéséhez ajánlott előzetes ismeretek
Tudás típusú kompetenciák
(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)
Alapvető matematikai és algoritmuselméleti ismeretek
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)
Alapvető matematikai és algoritmuselméleti ismeretek
Általános szabályok
Követelmények:
A félév során 7 db labort tartunk, melyek közül legalább 5 labort teljesíteni kell a félévközi jegyhez. A féléves jegyet a legjobb 5 labor osztályzatának átlaga adja. Az elmulasztott vagy elégtelen minősítésű laborok pótlására nincs lehetőség.
Pótlási lehetőségek:
Nincs lehetőség pótlásra (lásd követelmények).
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
IMSc program:
Minden labor témakör esetében van egy külön, az IMSc részeként megoldható szorgalmi feladat, ami az adott labor tematikájához kapcsolódik, de további önálló munkát igényel.
IMSc pontok:
A laboronként kiadott szorgalmi feladatok megoldásával alkalmanként 2 IMSc pont szerezhető. A félév során kiadott összes szorgalmi feladat megoldását +1 IMSc ponttal jutalmazzuk.
A tárgyon maximálisan 15 IMSc pont szerezhető.
Ajánlott tantárgyak
Ajánlott előzetes tantárgy: Adatelemzés mélytanulási módszerekkel
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.