Tantárgy » BMEVITMMA18
Gépi tanulási esettanulmányok
Machine Learning Use-case Laboratory
A tantárgyleírás hatályossága
Hatályosság kezdete:
2026. March 21.
Hatályosság vége:
—
| Tantárgy neve (magyarul, angolul) |
Gépi tanulási esettanulmányok
Machine Learning Use-case Laboratory
|
||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Tantárgykód | BMEVITMMA18 | ||||||||||||
| Tantárgyjelleg | — | ||||||||||||
| Képzési szint | — | ||||||||||||
| Kurzustípusok és óraszámok (heti/féléves) |
|
||||||||||||
| Tanulmányi teljesítmény/értékelés típusa | félévközi érdemjegy | ||||||||||||
| Tantárgy kreditértéke | 5 | ||||||||||||
| Tantárgyfelelős |
Dr. Orosz Péter
beosztás: egyetemi docens
elérhetőség:
orosz.peter@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
1. Bevezető, módszerek, technológiák, használt programozási nyelvek és technológiák áttekintése (pl. Python) - Táblázatos adatok kezelése, DataFrame alapú feladatmegoldás, kódhatékonyság kérdései
2. Felügyelt tanulás – Fejlett regressziós módszerek egy ingatlan adathalmaz felett, fejlett módszerek az adatelőkészítésben, időbeli trendek kezelése, speciális adatelőkészítési módszerek és hatásuk az előrejelzésre
3. Felügyelt tanulás – Fejlett osztályozási feladat egy hitelbírálati feladat megoldásánál
4. Felügyelt tanulás – Komplex osztályozási kiértékelési módok, egyedi célfüggvények, optimalizáció egyedi célfüggvények esetén. A ROC görbe és AUC értékének különleges tulajdonságai, hibakeresés és a kiértékelő függvények kapcsolata, a kiértékelés evolúciója az üzleti igények ismeretében
5. Klaszterezési eljárások – Ügyfélszegmentáció kihívásai klaszterezés alapon, adatelőkészítési nehézségek, klaszterezési módszerek kiválasztása, klaszterezési eredmények magyarázhatósága, triviális klaszterezési helyzetek felismerése, klaszterezéshez kapcsolódó story-telling
6. Story telling és a modellek interpretálhatóságának kapcsolata, modellek magyarázhatóságának algoritmikai kérdései
7. Anomália detekció – Komplex anomália detekciós feladat megoldása időben változó adathalmaz felett
8. Anomália detekció – Anomália score értékek összevonása, visszajelzési folyamat beépítése a teljes elemzési sorba
9. Változó generálás fejlett módszerei, kapcsolata a változó kiválasztási módszerekkel - Változó kiválasztás módszerei, kihívásai, a kiválasztás eredményeit hasznosító feature engineering folyamat bemutatása
10. Nagyházifeladat ismertetése, kiinduló megoldásának elkészítése, az adatelemzési feladat buktatóinak ismertetése
A gépi tanulási és data science ismeretek hasznosításának kulcskérdése, hogy egy valós adathalmazhoz és tényleges üzleti problémát megfelelő módon tudjuk leképezni a gépi tanulási és adatelemzési eszközkészletünkre. A tárgy célja, hogy ebbe az adatelemzési folyamatban adjon mélyebb gyakorlati tapasztalatot a hallgatóinak azáltal, hogy több valós esettanulmány megoldásával bemutatja milyen sorrendben, milyen módon érdemes alkalmazni a módszereket.
Módszertani szempontból a labor során a hallgatók az előadóval egy időben saját Notebook-at hoznak létre. Hogy a haladó feladatmegoldási feladatokra koncentrálhassunk több esetben egy kiinduló Notebook továbbfejlesztésével indulunk el az alkalmak során. A félévhez egy kijelölt adatbányászati létraverseny is tartozik, ahol minél hatékonyabban kell megoldani egy felügyelt gépi tanulási feladatot.
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
Laboratórium.
A hallgatók 10 alkalommal, alkalmanként négy órás idősávban találkoznak az oktatókkal, ahol kéthetente (minden második alkalommal) történik feladatkiadás. Ezen kívül a hallgatóknak egy gépi tanulási nagyházifeladatot kell a félév során megoldaniuk, ahol egymással kell versenyezniük (data science verseny).
Tanulástámogató anyagok
Online források
Az egyes órákat követően az elemzési feladatokhoz egy-egy példamegoldás kerül publikálásra.
A tantárgy teljesítéséhez ajánlott előzetes ismeretek
Tudás típusú kompetenciák
(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)
Gépi tanulás elméleti alapjai, programozási alapismeretek, alapszintű valószínűségszámítási 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)
Gépi tanulás elméleti alapjai, programozási alapismeretek, alapszintű valószínűségszámítási ismeretek
Általános szabályok
Követelmények:
- Beadandó feladatok leadása a Moodle rendszeren belül (5 darab) – feladatkiadás kéthetente, a feladat elkészítésére két hét áll rendelkezésre.
- Részvétel a tárgyhoz kapcsolódó data science versenyen, ott a félév során megadott baseline elérése szükséges.
A jegybe a házifeladatokra kapott pontszámok 40%-ban, míg a data science versenyen elért eredmény 60%-ban számít bele. A versenynél egy baseline szintet el kell érni ahhoz, hogy legalább elégségest kapjon a hallgató, ezt a szintet a verseny kiírásánál rögzítjük. A verseny során egy felügyelt tanulási feladatot kell megoldani, a pontos metrikát az adott félévben kiírt versenyfeladat határozza meg. A versenyen önállóan indulnak a hallgatók, az elérhető pontszámítás függ az adott évfolyamon a versenyen részt vevő összes hallgatók elért eredményeitől is.
A teljes pontszámból (házifeladatok plusz verseny) legalább 40%-ot kell elérni a kredit megszerzéséért.
Pótlási lehetőségek:
A beadandó feladatok a leadási határidőt követő 2 hétben pótolhatók. Amennyiben ez a határidő túlnyúlik a pótlási héten, úgy a pótlási héten kell leadni azokat.
A gépi tanulási nagyházifeladat beadása folyamatos a félév közepétől, a beadás itt nem pótolható, a verseny a szorgalmi időszak végén zárul.
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.