Oktatási cél: A tantárgy célja, hogy a hallgatók képessé váljanak szakterület-specifikus gyakorlati
problémákat gépi tanulási feladatokká alakítani, kritikusan megérteni a különböző gépi
tanuló algoritmusok tulajdonságait, és képesek legyenek kiválasztani, alkalmazni a megfelelő
módszereket egy adott tanulási célhoz. Emellett, a hallgatók ismereteket szereznek az adat
előfeldolgozás széleskörű technikáinak alkalmazásához, és felkészülnek a gépi tanuló
módszerek értékelésére az alkalmazhatóságuk szempontjából.
Tematika: Gépi tanulás alapelvei. Adat előfeldolgozás technikák. Nem felügyelt tanulás: klaszterező
eljárások. Felügyelt tanulás nominális osztálycímkék predikciójára: osztályozás. Felügyelt
tanulás folytonos kimeneti változók predikciójára: regresszió. Modellválasztás.
Jellemzőkiválasztás. Alapvető technikák (1R, Naïve Bayes, Covering algortmusok), Bayes
hálók, k-NN, induktív tanulás és döntési fák, szupport vektor gépek, Random Forests,
együttes tanuló modellek. Megerősítéses tanulás. Modellek teljesítményének értékelése.
Minősítés és hibamértékek, keresztkiértékelés. Torzítás-variancia dilemma. AutoML. Az
elméleti tananyag átadása után a gyakorlatok és laboratóriumi foglalkozások során a
hallgatók különböző gépi tanuló algoritmusokat vizsgálnak és hasonlítanak össze változatos
adatkészleteken, egyéni órai és csoportos projektfeladat keretében, elsősorban Pythoncsomagok alkalmazásával.