Budapesti Műszaki és Gazdaságtudományi Egyetem
Természettudományi Kar		 Tantárgy Adatlap
Tantárgy kód BMETE93MM28
Tantárgy azonosító adatok
1. A tárgy címe Válogatott fejezetek az adattudományból
2. A tárgy angol címe Selected Topics in Data Science
3. Heti óraszámok (ea + gy + lab) és a félévvégi követelmény típusa 2 + 0 + 0 v Kredit 4
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. Kovács Edith Alice beosztása egyetemi docens
Akkreditációs adatok
8. Akkreditációra benyújtás időpontja 2018.11.20. Akkreditációs bizottság döntési időpontja 2018.11.27.
Tematika
9. A tantárgy az alábbi témakörök ismeretére épít
valószínűségszámítás, lineáris algebra
10. A tantárgy szerepe a képzés céljának megvalósításában (szak, kötelező, kötelezően választható, szabadon választható)
Matematikus MSc kötelezően választható tárgya
11. A tárgy részletes tematikája

 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.
12. Követelmények, az osztályzat (aláírás) kialakításának módja
szorgalmi
időszakban		 házi feladatok vizsga-
időszakban		 írásbeli vizsga
13. Pótlási lehetőségek
TVSZ szerint
14. Konzultációs lehetőségek
oktatóval történő megegyezés szerint
15. 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/
16. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka mennyisége órákban (a teljes szemeszterre számítva)
16.1 Kontakt óra
28
16.2 Félévközi felkészülés órákra
22
16.3 Felkészülés zárthelyire
0
16.4 Zárthelyik megírása
0
16.5 Házi feladat elkészítése
40
16.6 Kijelölt írásos tananyag elsajátítása (beszámoló)
0
16.7 Egyéb elfoglaltság
0
16.8 Vizsgafelkészülés
30
16.9 Összesen
120
17. Ellenőrző adat Kredit * 30
120
A tárgy tematikáját kidolgozta
18. Név beosztás Munkahely (tanszék, kutatóintézet, stb.)
Dr. Kovács Edith Alice
egyetemi docens
Differenciálegyenletek Tanszék
A tanszékvezető
19. Neve aláírása
Dr. Illés Tibor