Budapesti Műszaki és Gazdaságtudományi Egyetem
Természettudományi Kar		 Tantárgy Adatlap
Tantárgy kód BMETEAGMsCFMAT-00
Tantárgy azonosító adatok
1. A tárgy címe Felsőbb matematikai programozási gyakorlat
2. A tárgy angol címe Advanced Mathematics Programming Course
3. Heti óraszámok (ea + gy + lab) és a félévvégi követelmény típusa 0 + 2 + 0 f Kredit 3
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
6. A tantárgy felelős tanszéke Algebra és Geometria Tanszék
7. A tantárgy felelős oktatója Dr. Molnár Zoltán Gábor beosztása egyetemi adjunktus
Akkreditációs adatok
8. Akkreditációra benyújtás időpontja 2024.05.06. Akkreditációs bizottság döntési időpontja 2024.07.05.
Tematika
9. A tantárgy az alábbi témakörök ismeretére épít
Első féléves matematika, informatika, és statisztika vagy valószínűségszámítás
10. A tantárgy szerepe a képzés céljának megvalósításában (szak, kötelező, kötelezően választható, szabadon választható)
TTK Számítógápes és kognitív idegtudomány MSc szak kötelezően választható tárgya
11. A tárgy részletes tematikája

1. Véges eljárás és számítási bonyolultság szemléletes fogalma, ismerkedés az alkalmazandó programozási nyelvekkel (Python, Matlab vagy ezek ekvivalensei). 2. Néhány véges probléma számítógépes implementációja és hatékony közelítő megoldása, Marr-szintek. 3. A lineáris művelet és dimenzió fogalmai. 4. Lineáris algebrai feladatok megoldása Matlabban vagy ekvivalens programnyelven a lineáris algebra alaptételének témaköréből: egyenletrendszer megoldása, bázisváltás. 5. Sajátprobléma. 6. SVD. 7. Összefoglalás, feladatbeadás. 8. Bayesiánus ismétlés: pl. Bayesian Linear Regression. 9. Dimenzióredukciós módszerek: PCA, FA. 10. Klaszterezés: pl. Gaussian Mixture Model. 11. Klasszifikáció: pl. Support Vector Machines. 12. Összefoglalás, második beadandó feladatcsomag. 13. Kitekintés további gépi tanulási technikákra, pl. Gradient Boosting Regression.
12. Követelmények, az osztályzat (aláírás) kialakításának módja
szorgalmi
időszakban		 Ellenőrző feladatok beadása, két programozási feladatcsomag beadása (7., 12. hét). vizsga-
időszakban
13. Pótlási lehetőségek
A TVSZ szerint
14. Konzultációs lehetőségek
Az oktatóval egyeztetve
15. Jegyzet, tankönyv, felhasználható irodalom
Deisenroth, M. P., Faisal, A. A., & Ong, C. S. (2020). Mathematics for Machine Learning. Cambridge University Press.
Wettl Ferenc. Lineáris Algebra. TypoTex, 2023.
Introduction to Linear Algebra with MATLAB, Self-Paced Online Courses, MathWorks.
16. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka mennyisége órákban (a teljes szemeszterre számítva)
16.1 Kontakt óra
28
16.2 Félévközi felkészülés órákra
28
16.3 Felkészülés zárthelyire
0
16.4 Zárthelyik megírása
0
16.5 Házi feladat elkészítése
34
16.6 Kijelölt írásos tananyag elsajátítása (beszámoló)
0
16.7 Egyéb elfoglaltság
0
16.8 Vizsgafelkészülés
0
16.9 Összesen
90
17. Ellenőrző adat Kredit * 30
90
A tárgy tematikáját kidolgozta
18. Név beosztás Munkahely (tanszék, kutatóintézet, stb.)
Dr. Molnár Zoltán Gábor
egyetemi adjunktus
Algebra és Geometria Tanszék
Dr. Orbán Gergő
tudományos főmunkatárs
KFKI, Komputációs Rendszerszintű Idegtudomány "Lendület" Kutatócsoport
A tanszékvezető
19. Neve aláírása
Dr. G. Horváth Ákos