Subject Datasheet
PDF letöltéseI. Tantárgyleírás
1. Alapadatok
1.1 Tantárgy neve
Artificial intelligence
1.2 Azonosító (tantárgykód)
BMEEOFTDT85
1.3 Tantárgy jellege
Kontaktórás tanegység
1.4 Óraszámok
| Típus | Óraszám / (nap) |
| Előadás (elmélet) | 2 |
1.5 Tanulmányi teljesítményértékelés (minőségi értékelés) típusa
Vizsga
1.6 Kreditszám
3
1.7 Tárgyfelelős
| név | Béla Paláncz |
| beosztás | Professzor emeritus |
| palancz.bela@emk.bme.hu |
1.8 Tantárgyat gondozó oktatási szervezeti egység
Általános- és Felsőgeodézia Tanszék
1.9 A tantárgy weblapja
1.10 Az oktatás nyelve
angol
1.11 Tantárgy típusa
Ph.D.
1.12 Előkövetelmények
Required previous subjects (need to be completed to register): Corresponding MSc subjects
1.13 Tantárgyleírás érvényessége
2022. szeptember 1.
2. Célkitűzések és tanulási eredmények
2.1 Célkitűzések
Practical and theoretical introduction to models and methods of machine and deep learning.
2.2 Tanulási eredmények
A tantárgy sikeres teljesítése utána a hallgató
A. Tudás
- General, solid knowledge of the ML and DL techniques and their applications.
B. Képesség
- Finding the proper methods for the actual problem
- Recognition the advantages and handicaps of the applied methods
- Providing alternative solutions
- Ability to evaluate real project
- Select and using appropriate software
C. Attitűd
D. Önállóság és felelősség
2.3 Oktatási módszertan
Lectures, electronic hand-outs, computer solution of practical problems
2.4 Részletes tárgyprogram
| Hét | Előadások és gyakorlatok témaköre |
| 1. | Introduction. Artificial intelligence - Machine learning - Deep Learning. Tasks - Models - Learning Methods |
| 2. | Methods of feature reduction 1: PCA -SVD - KL Decomposition - TLS - IC Analysis |
| 3. | Methods of feature reduction 2: DFT - DWT - RBF Approximation - Autoencodig - Fractal Compression |
| 4. | Classification: KNN - Logistic regression - Tree Based Models - SVM - Naive Bayes Classifier |
| 5. | Clustering: KMeans - Hierarchical - Density Based Spacial - Sprectal |
| 6. | Regression: KNN - Linear - Non-Linear - Robust - Symbolic - SVM |
| 7. | Neural Networks Basic: Single and Multilayer Perceptron |
| 8. | Hopfield Net and its applications |
| 9. | Unsupervised Net and its applications |
| 10. | Recurrent Network |
| 11. | Features of Deep Learning - applications |
| 12. | Convolutional Neural Network with applications |
| 13. | Project work - consultation |
| 14. | Project work - consultation |
A félév közbeni munkaszüneti napok miatt a program csak tájékoztató jellegű, a pontos időpontokat a tárgy honlapján elérhető "Részletes féléves ütemterv" tartalmazza.
2.5 Tanulástámogató anyagok
Textbooks:
- Awange - Paláncz - Lewis - Völgyesi: Mathematical Geosciences 2nd edition, Springer 2022
- Awange - Paláncz - Völgyesi: Hybrid Imaging and Visualization Springer 2020
Online materials:
- Electronic Lecture Notes
2.6 Egyéb tudnivalók
Website:
- www.wolframcloud.com/obj/palancz/Published/Artificial_Intelligence.nb
2.7 Konzultációs lehetőségek
The instructors are available for consultation during their office hours, as advertised on the department website. Special appointments can be requested via e-mail: oktato@mail.bme.hu
Jelen TAD az alábbi félévre érvényes:
Inactive courses
II. Tárgykövetelmények
3. A tanulmányi teljesítmény ellenőrzése és értékelése
3.1 Általános szabályok
3.2 Teljesítményértékelési módszerek
| Teljesítményértékelés neve (típus) | Jele | Értékelt tanulási eredmények |
| A.1; B.1-B.5; C.1; D.1 |
A szorgalmi időszakban tartott értékelések pontos idejét, a házi feladatok ki- és beadási határidejét a "Részletes féléves ütemterv" tartalmazza, mely elérhető a tárgy honlapján.
3.3 Teljesítményértékelések részaránya a minősítésben
| Jele | Részarány |
| Összesen | 100% |
3.4 Az aláírás megszerzésének feltétele, az aláírás érvényessége
3.5 Érdemjegy megállapítása
| Érdemjegy | Pontszám (P) |
| jeles (5) | |
| jó (4) | |
| közepes (3) | |
| elégséges (2) | |
| elégtelen (1) |
3.6 Javítás és pótlás
3.7 A tantárgy elvégzéséhez szükséges tanulmányi munka
| Tevékenység | Óra/félév |
| Összesen |
3.8 A tárgykövetelmények érvényessége
2022. szeptember 1.
Jelen TAD az alábbi félévre érvényes:
Inactive courses