BMETE91MM20

Budapesti Műszaki és Gazdaságtudományi Egyetem
Természettudományi Kar

Tantárgy Adatlap

Tantárgy kód

BMETE91MM20

Tantárgy azonosító adatok
1.	A tárgy címe	Haladó gépi tanulás
2.	A tárgy angol címe	Advanced Machine Learning

3.

Heti óraszámok (ea + gy + lab) és a félévvégi követelmény típusa

2

+

0

+

0

v

Kredit

4

4.	Ajánlott/kötelező előtanulmányi rend
	vagy	Tantárgy kód 1	Rövid cím 1	Tantárgy kód 2	Rövid cím 2	Tantárgy kód 3	Rövid cím 3
	4.1
	4.2
	4.3
5.	Kizáró tantárgyak
5.
6.	A tantárgy felelős tanszéke		Algebra Tanszék
7.	A tantárgy felelős oktatója		Kornai András		beosztása	egyetemi tanár

Akkreditációs adatok
8.	Akkreditációra benyújtás időpontja	2018.06.01.	Akkreditációs bizottság döntési időpontja	2018.07.09.

Tematika
9.	A tantárgy az alábbi témakörök ismeretére épít
	lineáris algebra, statisztika, diszkrét matematika, python programozás
10.	A tantárgy szerepe a képzés céljának megvalósításában (szak, kötelező, kötelezően választható, szabadon választható)
	TTK Matematikus MSc szak kötelezően választható tantárgya
11.	A tárgy részletes tematikája
	[1] What are ML algorithms, how did they come about, where are they today, what to expect in 5-10 years. Computational foundations, societal impact. Refresher (test?) of basics of descriptive statistics, linear algebra, optimization, information theory. [2] Data collection, standard data sets, repositories. Survey of major application domains: speech- and character recognition (ASR, OCR), (biometric) identification, pattern classification, ranking/recommendation, info extraction, info retrieval, natural language processing (NLP). [3] Principal component analysis, linear discriminant analysis, max margin classifiers, data reduction, feature engineering. [4] Maximum entropy methods, decision trees. [5] Genetic/evolutionary methods, boosting [6] Midterm exam [7] Nearest neighbor, tangent distance methods. [8] Algorithmic information theory, Kolmogorov complexity, minimum description length. [9] Hidden Markov Models (HMM), Viterbi, EM. [10] Learning with multiple goals. [11] Neural nets (NN), backpropagation. [12] Final exam
12.	Követelmények, az osztályzat (aláírás) kialakításának módja
	szorgalmi időszakban		Zárthelyi dolgozatok és házi feladatok teljesítése		vizsga- időszakban	Írásbeli vizsga
13.	Pótlási lehetőségek
	TVSZ szerint
14.	Konzultációs lehetőségek

15.	Jegyzet, tankönyv, felhasználható irodalom
	Duda Hart Stork Pattern Recognngition, Ng Machine Learning Yearning

16.	A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka mennyisége órákban (a teljes szemeszterre számítva)
		16.1	Kontakt óra	28
		16.2	Félévközi felkészülés órákra	12
		16.3	Felkészülés zárthelyire	20
		16.4	Zárthelyik megírása	0
		16.5	Házi feladat elkészítése	50
		16.6	Kijelölt írásos tananyag elsajátítása (beszámoló)	0
		16.7	Egyéb elfoglaltság	0
		16.8	Vizsgafelkészülés	10
		16.9	Összesen	120
17.	Ellenőrző adat		*Kredit 30**	120

A tárgy tematikáját kidolgozta
18.	Név	beosztás	Munkahely (tanszék, kutatóintézet, stb.)
	Dr. Kornai András	egyetemi tanár	Algebra Tanszék

A tanszékvezető
19.	Neve	aláírása
	Dr. Nagy Gábor Péter