A tantárgy az alábbi témakörök ismeretére épít:
valószínűségszámítás, lineáris algebra
A tantárgy szerepe a képzés céljának megvalósításában:
Matematikus MSc kötelezően választható tárgya
A tantárgy részletes tematikája magyarul és angolul:
1. Felügyelet melletti és felügyelet nélküli alap gépi tanulási módszerek áttekintése, módszerek kiértékelése.
2. Kernel sűrűségfüggvény becslés, kernel módszer felügyelet melletti tanulásban.
3. Kernel módszer felügyelet nélküli tanulásban.
4. Support Vector Machine alkalmazások, R – kernlab csomag használata.
5. Dimenzió csökkentő módszerek: lineáris illetve nem lineáris, autoencoder.
6. Valószínűségi grafikus modellek I: Markov hálózatok és alkalmazások.
7. Valószínűségi grafikus modellek II: Bayes hálózatok és alkalmazások.
8. Hallgatók értékelése - saját feldolgozások - időszerű anyagok.
9. Együttes eloszlások modellezése kopulák segítségével.
10. Együttes eloszlások modellezése vine-kopulák segítségével.
11. Szimulációs eljárások 1: Nevezetes diszkrét illetve folytonos eloszlásokból származó minták számítógépes előállítási módszerei (egy és több dimenzióban).
12. Szimulációs eljárások 2: Elfogadás-elvetés módszere, Gibbs mintavétel, fontosság szerinti mintavétel.
13. Mély tanulás (Deep learning): konvoluciós neurális hálók.
14. Mély tanulás (Deep learning): Recurrent NN, LSTM.
Követelmények szorgalmi időszakban:
Követelmények vizsgaidőszakban:
Konzultációs lehetőségek:
oktatóval történő megegyezés szerint
Jegyzet, tankönyv, felhasználható irodalom:
Sugiyama, Masashi. Introduction to statistical machine learning. Morgan Kaufmann, 2015.
Hastie, Trevor, Robert Tibshirani, and Jerome Friedman. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer Science & Business Media, 2009.
http://www.deeplearningbook.org/
Nyomtatóbarát változat
