Tantárgy » BMEVITMAC17
Data science módszerek Python környezetben
Data Science Methods in Python
A tantárgyleírás hatályossága
Hatályosság kezdete:
2026. March 21.
Hatályosság vége:
—
| Tantárgy neve (magyarul, angolul) |
Data science módszerek Python környezetben
Data Science Methods in Python
|
||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Tantárgykód | BMEVITMAC17 | ||||||||||||
| Tantárgyjelleg | — | ||||||||||||
| Képzési szint | — | ||||||||||||
| Kurzustípusok és óraszámok (heti/féléves) |
|
||||||||||||
| Tanulmányi teljesítmény/értékelés típusa | vizsga | ||||||||||||
| Tantárgy kreditértéke | 5 | ||||||||||||
| Tantárgyfelelős |
Hollósi Gergely László
beosztás: adjunktus
elérhetőség:
hollosi.gergely@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
Data science terület kulcspontjai, létrejöttének okai, tendenciái.
Python alapvető struktúrák.
CRISP-DM metodika.
Adatelőkészítési lépések, dummy változók, tanító halmaz kiválasztás alapszintű módszerei, adatelőkészítés hatása.
Sklearn csomag regressziós és egyéb elemzési problémákra.
Hitelbírálat, mint bináris osztályozási probléma.
Paraméter hangolás, üzleti és elemzési célfüggvény szétválasztása.
Előfeldolgozási lépések hatása.
Anomália detekció feladata és megoldásának sarokkövei. Isolation forest módszerének alkalmazása.
Tranzakciós adatok kezelése, adatok aggregálása időbeli feladatok megoldásához.
Fejlett technikák használata.
Modellek interpretálhatósága.
Üzemeltethető adatelemzési környezetek.
Adatszivárgás megakadályozása, a tárgyalt technikákon túli lehetőségek, a data science távlatai, etikai kérdései, társadalmi stratégiák.
A gyakorlatoknál az oktatás az alábbi témákat érinti hétről-hétre:
Python alapvető struktúrák. Táblázatos adatstruktúra, Pandas programcsomag alapjai, műveletek, táblázatos adatok bejárása.
CRISP-DM metodika. Feltáró adatelemzés egy adathalmaz (pl. churn) segítségével, diagramok rajzolása Python nyelven.
Adatelőkészítési lépések a gyakorlatban.
Regressziós feladat megoldása lakásár előrejelzési feladaton keresztül Sklearn csomag segítségével. Regressziós feladatok kiértékelésének módjai.
Hitelbírálat a gyakorlatban. Osztályozási feladatok kiértékelése, a kiértékelés nehézségei ferde eloszlású célváltozó esetén. Profit görbe, ROC görbe és a függvény alatti területe.
Paraméter hangolás a gyakorlatban, üzleti és elemzési célfüggvény szétválasztása.
Előfeldolgozási lépések hatása, dimenziócsökkentő megoldások.
Anomália detekció Isolation forest módszerének alkalmazásával.
Tranzakciós adatok kezelése a gyakorlatban, adatok aggregálása időbeli feladatok megoldásához.
Modellek kifejezőerejének vizsgálata.
Partial Dependence Plot ábrák készítése.
Üzemeltethető adatelemzési környezetek, pipeline metodika, tanítás és tesztelés különválasztásának nehézségei.
Adatszivárgás megakadályozása.
A tárgy keretein belül data science világának jellegzetes alapelemeit sajátíthatják el a hallgatók úgy, hogy valós adathalmazok segítségével tudják megtapasztalni az átadott tudáselemek hasznosságát.
A cél, hogy a hallgató képes legyen a legfontosabb gépi tanulási feladatokra visszavezetni egyes üzleti problémákat, majd azokat valós adathalmazok felett is hatékonyan megoldani.
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
Az előadások és a gyakorlatok szorosan összekapcsolódnak, így ez a módszer segít a hallgatóknak a valós problémák irányából megközelíteni tananyagot. A félév során egyenletesen elosztva 6 db kisházifeladatot kapnak a hallgatók, melyet a következő kisházifeladat kiadásáig kell megoldaniuk. A szorgalmi időszak végén egy nagyházifeladat kiadása történik, amit a vizsgaidőszakban kell megoldaniuk, a vizsgán megvédeniük.
Tanulástámogató anyagok
Online források
Larose, D. T., & Larose, C. D. (2014). Discovering knowledge in data: an introduction to data mining (Vol. 4). John Wiley & Sons.; Hastie, T., Tibshirani, R., Friedman, J. H., & Friedman, J. H. (2009). The elements of statistical learning: data mining, inference, and prediction (Vol. 2, pp. 1-758). New York: Springer.
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 ismeretek programozási nyelvekről, adatszerkezetekről, algoritmusokról.
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 ismeretek programozási nyelvekről, adatszerkezetekről, algoritmusokról.
Általános szabályok
Követelmények:
Szorgalmi időszakban: Kisházifeladatok leadása. 6 db kisháziból legalább 3 leadása (megfelelt szinten való teljesítéssel) szükséges az aláíráshoz. A kisházifeladatok értékelése 2 szintű visszajelzéssel történik: megfelelt / nem megfelelt.
Vizsgaidőszakban: Nagyházifeladat megvédése vizsgán.
Pótlási lehetőségek:
Kisházifeladatok pótolhatók a pótlási hét utolsó munkanapjáig.
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:
Külön tematikát nem kapnak a hallgatók, az oktatás egyben folyik a többi hallgatóval. Az iMSC hallgatóktól elvárható, hogy ne csak a szükséges (minimális) számú problémával (kisházifeladattal) foglalkozzanak, hanem szélesebb spektrumban is adjanak számot tudásukról, azaz adjanak megoldást a többi kisházifeladatra is (melyet iMSc pontokkal jutalmazunk). Ezen kívül a nagyházifeladatnál is szerezhető plusz iMSc pont.
IMSc pontok:
Ha a hallgató a szükséges kisházifeladat minimumon (három leadott feladat) túl is ad le feladatokat, akkor azokért egyenként 5 pontot kap (maximum 15 pont szerezhető így), illetve, ha a hallgató a nagyházifeladatnál a megoldásra adható maximális pontszám 80%-át eléri, akkor további 10 pontot kap.
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.