Budapesti Műszaki és Gazdaságtudományi Egyetem
Természettudományi Kar		 Tantárgy Adatlap
Tantárgy kód BMETEFTBsPATTM-00
Tantárgy azonosító adatok
1. A tárgy címe Adattudománnyal támogatott mérések
2. A tárgy angol címe Data-Science-Aided Measurements
3. Heti óraszámok (ea + gy + lab) és a félévvégi követelmény típusa 0 + 0 + 2 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 BMETE15AP61 Bevezetés a gépi tanulásba BMETE11AP66 Méréstechnika laboratórium
4.2
4.3
5. Kizáró tantárgyak
6. A tantárgy felelős tanszéke Fizika Tanszék
7. A tantárgy felelős oktatója Dr. Fülöp Gergő beosztása tudományos munkatárs
Akkreditációs adatok
8. Akkreditációra benyújtás időpontja 2025.12.19. Akkreditációs bizottság döntési időpontja 2025.12.22.
Tematika
9. A tantárgy az alábbi témakörök ismeretére épít
Gépi tanulás alapjai, konvolúciós neurális hálók, Python programozás
10. A tantárgy szerepe a képzés céljának megvalósításában (szak, kötelező, kötelezően választható, szabadon választható)
TTK Fizikus-mérnöki BSc képzés kötelezően választható tárgya
11. A tárgy részletes tematikája
Ipari alkalmazásokban és kutatólaboratóriumokban egyaránt széleskörűen elterjedtek haladó adatfeldolgozási algoritmusok. Ebben a laborkurzusban a hallgatók tapasztalatra tesznek szert ilyen modern adattudományi módszerekben különböző gyakorlati példákon keresztül. A hallgatók összetett kísérleti feladatokat valósítanak meg a laborgyakorlatok során:
- Összeállítják és végrehajtják a kísérletet,
- Kiértékelik a mérési adatokat,
- Elemzik az adatgyűjtési és kiértékelési folyamatot,
- Optimalizálják az adatgyűjtési paramétereket,
- Modern adattudományi módszerekkel elemzik a mérési adatokat,
- Megvizsgálják a módszer teljesítőképességét és határait,
- Jegyzőkönyvet állítanak össze.
 
Advanced data processing algorithms have become widespread both in industrial applications and research laboratories. In this laboratory course the students gain hands-on experience in such modern data science methods through various practical examples. In each laboratory exercise, the students carry out a complex experimental project end-to-end. Their tasks include
- setting up and performing the experiment,
- evaluating the experimental data,
- analyzing the data collection and evaluation pipeline,
- optimizing the data acquisition parameters,
- evaluation of the experiemtal data with the toolbox of data science,
- exploring the performance and limitations of the methods,
- compiling a written report.

 
12. Követelmények, az osztályzat (aláírás) kialakításának módja
szorgalmi
időszakban		 Aktív részvétel a laboratóriumi kísérletek összeállításában és végrehajtásában, valamint azok kiértékelésében és jegyzőkönyvezésében vizsga-
időszakban		 -
13. Pótlási lehetőségek
A TVSZ szerint
14. Konzultációs lehetőségek
Az oktatóval egyezteve
15. Jegyzet, tankönyv, felhasználható irodalom
A laborgyakorlatok mérési leiratai a BME Fizikai Intézet weboldalán.
16. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka mennyisége órákban (a teljes szemeszterre számítva)
16.1 Kontakt óra
28
16.2 Félévközi felkészülés órákra
14
16.3 Felkészülés zárthelyire
0
16.4 Zárthelyik megírása
0
16.5 Házi feladat elkészítése
0
16.6 Kijelölt írásos tananyag elsajátítása (beszámoló)
16
16.7 Egyéb elfoglaltság
32
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. Fülöp Gergő
tudományos munkatárs
Fizika Tanszék
A tanszékvezető
19. Neve aláírása
Dr. Csonka Szabolcs