BMETE93MX19

Nyomtatóbarát változatNyomtatóbarát változat
Tantárgy azonosító adatok
A tárgy címe: 
Döntéstámogató rendszerek
A tárgy angol címe: 
Decision Support Systems
A tárgy rövid címe: 
DöntTámRsz
2
0
0
v
Kredit: 
3
A tantárgy felelős tanszéke: 
Differenciálegyenletek Tanszék
A tantárgy felelős oktatója: 
Dr. Szántai Tamás
A tantárgy felelős oktatójának beosztása: 
egyetemi tanár
Akkreditációs adatok
Akkreditációra benyújtás időpontja: 
2012.11.19.
Akkreditációs bizottság döntési időpontja: 
2012.11.27.
Tematika
A tantárgy az alábbi témakörök ismeretére épít: 
lineáris algebra, operációkutatás alapjai
A tantárgy szerepe a képzés céljának megvalósításában: 
gazdasági és mérnöki MSc képzések részére szabadon választható tárgy
A tantárgy részletes tematikája magyarul és angolul: 

Manapság éppen az adatok sokasága okoz komoly gondot a döntéshozóknak. Felmerülnek olyan kérdések, hogy hogyan találjunk mintázatot az adatokban, hogyan találjunk összefüggéseket a tulajdonságok (változók) között, milyen módon használjuk ezeket ki, hogy minél jobb döntéseket
hozhassunk. Ebben a tantárgyban olyan többváltozós statisztikán és valószínűségszámításon alapuló módszereket mutatunk be, amelyek tanulómintából nyernek ki információkat döntést elősegítő modellek felépítésére. A modellek jóságát a tanulómintán, majd a tesztelő mintán számszerűsítjük.
Felelevenítünk néhány szükséges valószínűségszámítási, statisztikai és algebrai ismeretet . Röviden ismertetjük az Octave/Matlab
programcsomagot.
Bevezetés a gépi tanulásba. A felügyelt és a felügyelet nélküli tanulás módszereinek áttekintése.
- Felügyelt tanulási módszerek:
Többdimenziós lineáris és polinomiális regresszió. A költségfüggvény minimalizálása két módszerrel: gradiens csökkentés, normálegyenletek algebrai megoldása. Becslés és előrejelzés. Logisztikus regresszió. A költségfüggvény megadása és minimalizálása. Két- illetve többosztályos klasszifikációs feladatok megoldása. Regularizáció, mint a túlhatározottság csökkentélsére alkalmas módszer. Neurális hálók.
Támasz vektor gépek (Support Vector Machines). Naiv Bayes módszer.
- Felügyelet nélküli tanulási módszerek:
Klaszterezés. K-átlag algoritmus. Dimenziócsökkentés. Főkomponens analízis. Közösségi szűrés (collaborative filtering).

Követelmények vizsgaidőszakban: 
szóbeli vizsga
Pótlási lehetőségek: 
elégtelen vizsga a vizsgaidőszak meghirdetett vizsga alkalmain kétszer ismételhető
Konzultációs lehetőségek: 
a tárgy oktatójának heti rendszerességgel meghirdetett fogadóóráján
Jegyzet, tankönyv, felhasználható irodalom: 
T.Hastie, R. Tibshirani and J.Friedman: The Elements of Statistical Learning, Springer Series in Statistics, 2009.
A tárgy elvégzéséhez átlagosan szükséges tanulmányi munka mennyisége órákban (a teljes szemeszterre számítva)
Kontakt óra: 
28
Félévközi felkészülés órákra: 
14
Felkészülés zárthelyire: 
0
Zárthelyik megírása: 
0
Házi feladat elkészítése: 
0
Kijelölt írásos tananyag elsajátítása (beszámoló): 
0
Egyéb elfoglaltság: 
0
Vizsgafelkészülés: 
48
Összesen: 
90
Ellenőrző adat: 
90
A tárgy tematikáját kidolgozta
Név: 
Dr. Szántai Tamás
Beosztás: 
egyetemi tanár
Munkahely (tanszék, kutatóintézet, stb.): 
Differenciálegyenletek Tanszék
A tanszékvezető neve: 
Dr. Illés Tibor
A tantárgy adatlapja PDF-ben: