Az artifical intelligence (AI), magyarul mesterséges intelligencia (MI) úgy lett a mindennapjaink szerves rész, hogy észre sem vettük. AI nélkül nincs chatbot, nincs arcfelismerés és nincs önvezető autó sem. A mesterséges intelligencia elnevezést McCarthy alkalmazta először 1956-ban olyan számítógépes rendszerekre, amelyek képesek bonyolult problémákat megoldani tanulás és felhalmozott tudásból való "következtetés" segítségével. Az MI-modellek gyakorta merítenek inspirációt a biológiai tanulás modelljeiből, fontos tulajdonságuk az adatokban rejlő mintázatok önálló felismerése, egyfajta "tapasztalati tanulás". A MI olyan kognitív (megismerő) képességeket emuláló számítógépi programok tervezésével és alkalmazásával foglalkozik, mint az optimális problémamegoldás, vizuális vagy akusztikus érzékelés és a természetes nyelvek megértése. GyártásTrend: Mi a különbség az MI-hoz kapcsolódó két legtöbbet hallott fogalom, a deep learning és a machine learning között? Szabados Levente: Ezek egymást tartalmazó halmazok nagy átfedésekkel.
Egy tárgy csak akkor számítható be szabválnak, ha a mintatantervben szereplő kötelező, illetve a tantervi követelmények teljesítéséhez már figyelembe vett egyéb tantárgyak együttesen a tárgy tananyagának max. 25%-át tartalmazzák. Ha ez nem teljesül, akkor az adott tárgy felvehető, de nem számítják be szabvál tárgynak. Szakmai szabadon választható tárgyak Kurzuskód Tárgynév Kredit Tanszék Aktív?
Hwu., Morgan Kaufmann Publisher, ISBN: 9780123849885, 2011 Programming Massively Parallel Processors, David B. Kirk, Wen-mei W. Hwu, Morgan Kaufmann Publisher, ISBN 978-0-12-381472-2, 2010 N. Mitra et al: Deep learning for graphics, UCL, 14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka Kontakt óra 56 Félévközi készülés órákra 10 Felkészülés zárthelyire Házi feladat elkészítése 27 Kijelölt írásos tananyag elsajátítása Vizsgafelkészülés 27 Összesen 120 15. A tantárgy tematikáját kidolgozta Dr Szirmay-Kalos László egyetemi tanár Dr Harmati István egyetemi docens Tóth Márton József egyetemi tanársegéd Szemenyei Márton egyetemi tanársegéd
Az elkészített rendszert dokumentációkkal együtt a félév végén kell bemutatniuk, illetve félév közben egy alkalommal be kell számolni az előrehaladásról. A házi feladatok dokumentációja és a forráskódok karbantartása széles körben elterjedt, általános git rendszeren keresztül történik. A hallgató a félév elismerését jelentő félév végi aláírást csak akkor kaphat, ha a házi feladata teljesíti a minimális követelményeket. A vizsgaidőszakban: A tantárgy anyagából a hallgatók vizsgát tesznek. A félév végi osztályzatot a házi feladat (50%) és a vizsgajegy (50%) alapján kapják. A vizsgán a hallgatóknak el kell érniük a meghatározott minimum szintet (40%). Elővizsga: Elővizsga tehető a szorgalmi időszak utolsó hetében. 11. Pótlási lehetőségek A házi feladat leadása a pótlási héten megadott időpontban pótolható. Elégtelen vizsga a TVSZ szabályai szerint pótolható. 12. Konzultációs lehetőségek Az előadókkal egyeztetett időben. 13. Jegyzet, tankönyv, felhasználható irodalom Altrichter Márta, Horváth Gábor, Pataki Béla, Strausz György, Takács Gábor, Valyon József: Neurális hálózatok, 2006 Hungarian Edition Panem Könyvkiadó Kft., Budapest Online: Andrew Ng: Deep Learning Tutorial, Computer Science Department, Stanford University, 2016 Ian Goodfellow, Yoshua Bengio, Aaron Courville: Deep Learning (Book in preparation for MIT Press) Michael Nielsen: Neural Networks and Deep Learning, 2016.
a tanítás a mintapontokon nem volt konzisztens, de leginkább a hipotézistér végtelen mivolta miatt kellett a "nagy-gyökös-képlet"-et használni, VC dimenzióval mindennel. (nekem nem lett túl jó:) -- Bartók Ferenc - 2013. 04. 02. Régi Gépi tanulás tárgy vizsgái 2013. 06. beugró vázlatosan: - egy probléma leírás, 8 millió felnőttnek adott sok attribútum, de csak x ezernek adott a foglalkozása, hogyan tanítanánk? (félig ellenőrzöt... ) - egy 2 dimenziós körnek legalább 3 a VC dimenziója? (igen) - 12 osztályos probléma, sok kétosztályosként oldjuk meg, meg volt adva mintaszám, ilyesmi és mennyi tanítópontot használunk fel (szerintem ez elég sok értelmű kérdés volt, mindegy) - k-means, 7 random középpont pont ugyanoda esik, minthalamz Gauss el. azonos szórással különböző művel, hány iteráció lesz? - k-means, de nem távolság adott, hanem hasonlóság -> hogyan módosítanánk? - inf. szükséglet számítás - epszilon=0. 47, van e esély 0. 05-re csökkenteni? (adaboost, de itt se volt amúgy teljesen egyértelmű) - mindig max hasznosságot választ e az aktív megerősítéses?
Belépés címtáras azonosítással vissza a tantárgylistához nyomtatható verzió Deep learning alkalmazása a vizuális informatikában A tantárgy angol neve: Deep Learning in Visual Computing Adatlap utolsó módosítása: 2018. november 6. Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Mérnök-informatikus Szak, BSc és MSc képzés Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév VIIIAV20 2/0/2/v 4 3. A tantárgyfelelős személy és tanszék Dr. Szirmay-Kalos László, 4. A tantárgy előadója Dr. Harmati István, egyetemi docens Tóth Márton József, egyetemi tanársegéd Szemenyei Márton, egyetemi tanársegéd 5. A tantárgy az alábbi témakörök ismeretére épít Matematika, Számítógépes grafika 7. A tantárgy célkitűzése A tárgy célja a GPU alapú deep learning technikák alkalmazásának bemutatása a vizuális informatika területén (gépi látás, alakzatfelismerés, textúra és optikai modell szintézis, zajszűrés, szuperfelbontás, tomográfia), megismertetve a hallgatókat a képi információfeldolgozás, valamint a látás alapú robotika feladataival, a GPGPU megközelítés elemeivel, és ezekre a feladatokra a mélytanulás alkalmazásával.
Gépi tanulás Tárgykód vimima05 Általános infók Szak info MSc Kredit 4 Ajánlott félév Őszi Keresztfélév nincs Tanszék MIT Követelmények Labor KisZH NagyZH Házi feladat Két hetente 1 db Vizsga szóbeli Elérhetőségek Levlista int-msc Tantárgyi adatlap Tárgyhonlap Ez az oldal a korábbi SCH wiki-ről lett áthozva. Az eredeti változata itt érhető el. Ha úgy érzed, hogy bármilyen formázási vagy tartalmi probléma van vele, akkor kérlek javíts rajta egy rövid szerkesztéssel. Ha nem tudod, hogyan indulj el, olvasd el a migrálási útmutatót Hivatalos segédanyag Russell-Norvig: Mesterséges Intelligencia Altrichter-Horváth-Pataki-Strausz-Takács-Valyon: Neurális Hálózatok Bishop: Pattern recognition and machine learning Goodfellow-Bengio-Courville: Deep Learning Boyd-Vandenberghe: Convex optimization Régi Gépi tanulás tárgy zh-i Most sajnos nincs időm migrálni az oldalt az új wikire, de: 2013. 02. 25. - ZH (aloldalt se látom, hogy lehet még itt létrehozni) 1. feladat - egy egyszerű döntési fa volt, információ nyereséget kellett számolni, semmi trükkös nem volt benne 2. feladat - döntési fa/szignifikancia alapú metszés, ahol egyik levélben X, Y volt, ki kellett számolni a D-t, majd megmondani mi következik ebből 3. feladat - elmélet, a hiányzó adatokkal kapcsolatban amit órán vettünk (2. rész innentől) 4. feladat - levezetni a szakértőknél a tanult összefüggést (hibával és eltéréssel kapcsolatban... ) 5. feladat - vállalható e valami x bizonyossággal, y feltételek esetén.
Elmélet: Felhasználói viselkedés elemzése mobil szenzoradatok alapján. Aggregált, ensemble modellek. A szenzoradatok rögzítése és standardizálása. Gyakorlat: Egyszerű regressziós és osztályozási példa megvalósítása magasszintű deep learning keretrendszerben. Hálózatok vizsgálata és vizualizációja a TensorBoard segítségével. Elmélet: Konvolúciós mély neurális hálózatok (Convolutional Neural Networks, CNN). A felhasználói viselkedés modellezése egy és kétdimenziós konvolúciós mély neuronhálókkal. Gyakorlat: Mély konvolúciós hálózat alapú felhasználói viselkedés modell implementációja Python alapon. Félévközi házi feladat bemutató. Elmélet: Visszacsatolt neurális hálózat alapjai és előnyei. Long Short-Term Memory (LSTM) és Gated Recurrent Unit (GRU) hálózatok felépítése és implementációja. Szövegszintézis ("verset ír a számítógép") elméleti és gyakorlati alapjai. Tanítóadatbázisok (szövegkorpusz) gyűjtése és előkészítése. Gyakorlat: Többdimenziós szinuszos függvény modellezése visszacsatolt neurális hálózattal Python alapon.