Az órán a diákok megismerkednek az alapvető gépi tanuló modellek használatával. A félév végén a diákok képesek lesznek python nyelven, a scikit-learn és az xgboost szoftvercsomagok használatával, viselkedéses adathalmazokra gépi tanuló modelleket illeszteni, a modellek hiperparamétereit az adatok segítségével beállítani, és a kapott modelleket pontosság, fedés, és a megfigyelő működési jellemzői (ROC) alapján osztályozni. Az óra hangsúlyt fektet a viselkedéses adatokra, és arra, hogy a pszichológiában és a kognitív tudományban keletkező adathalmazokról gépi tanuló eszközökkel milyen következtetéseket vonhatunk le. Az óra része a szakirodalom angol nyelvű feldolgozása.

Témák:
– Predikció és inferenciális statisztika.
– A gépi tanulás alapvető architektúrája.
– Klasszifikáció és regresszió.
– Variancia és bias.
– Az illeszkedés és a predikció mérőszámai.
– Hiperparaméterek rácsos keresése.
– Felügyelt tanuló algoritmusok.
– Döntési fák.
– Ensemble modellek.
– Bagging és boosting modellek.

During the course, students get acquantied with the use of basic machine learning models. At the end of the semester, students will be able to fit machine learning models to behavioural datasets in Python using the scikit-learn and xgboost software packages, set the hyperparameters of the models using the data, and classify the resulting models based on precision, recall, and receiver operating characteristics (ROC). The class will emphasize behavioral data and how machine learning tools can be used to infer from data sets in psychology and cognitive science. The class will include a review of the literature in English.

Topics:
– Prediction and inferential statistics.
– Basic architecture of machine learning.
– Classification and regression.
– Variance and bias.
– Measures of fit and prediction.
– Grid search for hyperparameters.
– Supervised learning algorithms.
– Decision trees.
– Ensemble models.
– Bagging and boosting models.