Budapesti Műszaki és Gazdaságtudományi Egyetem
Természettudományi Kar		 Tantárgy Adatlap
Tantárgy kód BMETE93MX19
Tantárgy azonosító adatok
1. A tárgy címe Döntéstámogató rendszerek
2. A tárgy angol címe Decision Support Systems
3. Heti óraszámok (ea + gy + lab) és a félévvégi követelmény típusa 2 + 0 + 0 v 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 Differenciálegyenletek Tanszék
7. A tantárgy felelős oktatója Dr. Szántai Tamás beosztása egyetemi tanár
Akkreditációs adatok
8. Akkreditációra benyújtás időpontja 2012.11.19. Akkreditációs bizottság döntési időpontja 2012.11.27.
Tematika
9. A tantárgy az alábbi témakörök ismeretére épít
lineáris algebra, operációkutatás alapjai
10. A tantárgy szerepe a képzés céljának megvalósításában (szak, kötelező, kötelezően választható, szabadon választható)
gazdasági és mérnöki MSc képzések részére szabadon választható tárgy
11. A tárgy részletes tematikája
Manapság éppen az adatok sokasága okoz komoly gondot a döntéshozóknak. Felmerülnek olyan kérdések, hogy hogyan találjunk mintázatot az adatokban, hogyan találjunk összefüggéseket a tulajdonságok (változók) között, milyen módon használjuk ezeket ki, hogy minél jobb döntéseket hozhassunk. Ebben a tantárgyban olyan többváltozós statisztikán és valószínűségszámításon alapuló módszereket mutatunk be, amelyek tanulómintából nyernek ki információkat döntést elősegítő modellek felépítésére. A modellek jóságát a tanulómintán, majd a tesztelő mintán számszerűsítjük. Felelevenítünk néhány szükséges valószínűségszámítási, statisztikai és algebrai ismeretet . Röviden ismertetjük az Octave/Matlab programcsomagot. Bevezetés a gépi tanulásba. A felügyelt és a felügyelet nélküli tanulás módszereinek áttekintése. - Felügyelt tanulási módszerek: Többdimenziós lineáris és polinomiális regresszió. A költségfüggvény minimalizálása két módszerrel: gradiens csökkentés, normálegyenletek algebrai megoldása. Becslés és előrejelzés. Logisztikus regresszió. A költségfüggvény megadása és minimalizálása. Két- illetve többosztályos klasszifikációs feladatok megoldása. Regularizáció, mint a túlhatározottság csökkentélsére alkalmas módszer. Neurális hálók. Támasz vektor gépek (Support Vector Machines). Naiv Bayes módszer. - Felügyelet nélküli tanulási módszerek: Klaszterezés. K-átlag algoritmus. Dimenziócsökkentés. Főkomponens analízis. Közösségi szűrés (collaborative filtering).
12. Követelmények, az osztályzat (aláírás) kialakításának módja
szorgalmi
időszakban		 vizsga-
időszakban		 szóbeli vizsga
13. Pótlási lehetőségek
elégtelen vizsga a vizsgaidőszak meghirdetett vizsga alkalmain kétszer ismételhető
14. Konzultációs lehetőségek
a tárgy oktatójának heti rendszerességgel meghirdetett fogadóóráján
15. Jegyzet, tankönyv, felhasználható irodalom
T.Hastie, R. Tibshirani and J.Friedman: The Elements of Statistical Learning, Springer Series in Statistics, 2009.
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)
0
16.7 Egyéb elfoglaltság
0
16.8 Vizsgafelkészülés
48
16.9 Összesen
90
17. Ellenőrző adat Kredit * 30
90
A tárgy tematikáját kidolgozta
18. Név beosztás Munkahely (tanszék, kutatóintézet, stb.)
Dr. Szántai Tamás
egyetemi tanár
Differenciálegyenletek Tanszék
A tanszékvezető
19. Neve aláírása
Dr. Illés Tibor