Friday, 29-Apr-22 02:20:52 UTCDeep Learning Alkalmazása A Vizuális Informatikában – Deep Learning Alkalmazasa A Vizuális Informatikában
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.
Deep learning alkalmazasa a vizuális informatikában
GyT. : Egy gyártó vállalatnak a termelési és logisztikai folyamatai hasonlóak. Vannak dobozos MI-megoldások a gyártók számára?
Gyakorlat: Variációs auto-encoder és GAN megvalósítása Python nyelven. Elmélet: A többszintű trendelemzés elméleti alapjai, tőzsdei vonatkozásai. Devizapiaci (forex) árfolyam adatgyűjtés és előkészítés a tanításhoz. Gyakorlat: CNN/LSTM alapú tőzsdei trendelemzés Python alapú implementációja. Elmélet: A természetes nyelvfeldolgozás alapjai. Szóbeágyazás alapjai és típusai: BOW, skip-gram, N-gram és CBOW beágyazások. Távolságmetrikák. Word2Vec, GloVe és FastText modellek. Sequence-to-sequence és transformer modellek. Attention (figyelem) mechanizmus. Gyakorlat: Természetes nyelvfeldolgozási példa (pl. író klasszifikáció Python alapon). 9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium) Előadás és gyakorlat. A gyakorlat során a hallgatók az előadáson hallottak gyakorlati alkalmazását láthatják és gyakorolhatják. Saját laptop használata megengedett. 10. Követelmények A szorgalmi időszakban: A hallgatók a szorgalmi időszak során egyedül vagy csapatban tetszőlegesen választott nagy házi feladatot készítenek, amelyen gyakorolhatják a mély tanuló rendszerek tervezését, megvalósítását és az órán tanult eszközök használatát.
- Deep learning alkalmazása a vizuális informatikában 6
- GyártásTrend - Hogyan vezessük be az MI-t a cégünkbe?
- Deep learning alkalmazása a vizuális informatikában 2017
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?
A gépi tanuló algoritmusok korszakát éljük, és ha kinyitunk egy IT-vel foglalkozó újságot, vagy megnyitunk egy TOP 5 trenddel foglalkozó cikket, akkor biztosan találkozunk a mesterséges intelligenciával. Azt kevesen tudják, hogy az első algoritmusok már az 1940-es években megjelentek, de sok tényező hatásaként az ún. Machine Learning valóban csak most éli virágkorát. A mindennap használható kütyüjeinkben nap mint nap vissza is köszönnek ezek az algoritmusok: a Facebook megmutatja, hogy kit ismerhetünk, a telefonunk olvassa az ujjlenyomatunkat, sőt felismeri az arcunkat, Siri pedig válaszol a kérdéseinkre. Az üzleti rendszerekben viszont még nem tobzódhatunk a mesterséges intelligencia alkalmazásaiban, főleg a BI rendszerekben hiányolják sokan a modern prediktív analitikát. Ezért hiánypótló a legújabb fejlesztése, ahol az idősorok előrejelzése a legmodernebb deep learning algoritmussal történik. A deep learning (mélytanulás) neuronhálózatok alkalmazásán alapszik, azokon a statisztikai modelleken, amelyeket 1943-ban Warren McCulloch és Walter Pitts alkotott meg a biológiai ideghálózatok mintájára.
A deep learning úgy különbözteti meg nagy biztonsággal a kutyát a macskától (vagy önvezető autó esetén a járdát az úttesttől), hogy közben nem magyarázza el a rendszernek senki, hogy mit jelent a kutya és a macska. A deep learning nem utánozza az embert, nem tudása van, hanem tudáselsajátítási képessége. Szabados Levente MI-szakértő GyT. : Milyen fontos területek vannak jelenleg az iparban, ahol az MI a legnagyobb lehetőségekkel bír? Sz. : Három nagy helyzet van, amikor a mesterségesintelligencia-alapú megoldások optimálisan működni képesek. Az egyik, amikor vannak adataink, amelyek nem teljesen specifikusak a problémánkra nézve – például képek az internetről, rengeteg kép, rengeteg témában. Ez elég ahhoz, hogy erős általános modelleket építsünk fel. Itt kifejezetten szükséges, hogy komoly analógia álljon fent az általános modell és a saját alkalmazási területünk között. A másik eset, amikor nincsenek jelen nagy tömegben általános adatok. Ilyenkor meg kell tanítani a gépi rendszernek, hogy az adott folyamatokból származó adatokat mire használja, ez a specifikus machine learning.
Belépés címtáras azonosítással vissza a tantárgylistához nyomtatható verzió Deep Learning a gyakorlatban Python és LUA alapon A tantárgy angol neve: Deep Learning in Practice with Python and LUA Adatlap utolsó módosítása: 2019. július 1. Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Villamosmérnöki szak Mérnökinformatikus szak Gazdaságinformatikus szak Egészségügyi mérnöki szak Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév VITMAV45 2/2/0/v 4 3. A tantárgyfelelős személy és tanszék Dr. Gyires-Tóth Bálint Pál, 4. A tantárgy előadója Név: Beosztás: Tanszék, Int. : Dr. Gyires-Tóth Bálint Egyetemi adjunktus BME-TMIT Dr. Csapó Tamás Gábor Tudományos munkatárs BME-TMIT Dr. Zainkó Csaba Egyetemi adjunktus BME-TMIT 5. A tantárgy az alábbi témakörök ismeretére épít Python programozás Mátrixalgebra 6. Előtanulmányi rend Ajánlott: Neurális hálózatok (VIMIJV07) Deep learning alkalmazása a vizuális informatikában (VIIIAV20) 7. A tantárgy célkitűzése Az adatmennyiség robbanásszerű növekedésével, a grafikus processzorok jelentős technológiai fejlődésével és a tudományterület új eredményeinek köszönhetően az elmúlt években a mély tanuló rendszerek, azon belül is a mély neurális hálózatok (Deep Neural Networks, DNN) valós életbeli folyamatok megfigyelések alapján történő modellezésének az egyik leghatékonyabb eszközévé váltak.
Ennek ellenére nem csak a nagyvállalatoknak jelent növekedési potenciált az MI, hiszen a legkisebb cégben is méretes adatmennyiség halmozódik fel a bevételekről, a kiadásokról, kommunikációról, annak tartalmáról, a kapcsolati hálózatokról, az alkalmazotti rutinról, a gyártás folyamatáról, a raktározásról, a vásárlásokról. A mesterséges intelligencia területéről származó többféle módszer közül a legtöbb esetben található megfelelő megoldás az adott üzleti problémára. GyT. : Hogyan álljon neki egy vállalat az MI bevezetéséhez? Sz. : Három alapvető dologra van szükség az MI alkalmazásához: az üzleti probléma meghatározására KPI-szinten (Key Performance Indicators), például 3%-os selejtarány-csökkenés, amivel egy data scientist tud mit kezdeni. Az adatra, mert ezek a rendszerek adat nélkül nem működnek, továbbá a modellre, amely végrehajtja az adott predikciót, de egyben meg is határozza, hogy milyen erőforrásokra van szükség. Ha ez megvan, akkor három út lehetséges. Első, hogy tanácsadót kér fel a vállalat, hogy nézze át a folyamatait, adatait.
29: 2011 gyakorlat jegyzet 05. 13 -- Pálfalvi József - 2012. 22.
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?