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 felkészülnek a gépi tanulási módszerek értékelésére az alkalmazhatóságuk szempontjából.
Tematika:
A kurzus bevezetést ad a gépi tanulás alapelveibe és főbb módszercsaládjaiba. Tárgyalja a felügyelt tanulás regressziós és osztályozási feladatait, a lineáris és logisztikus regressziót, a gradiens ereszkedést, a modellkomplexitást, a túlillesztést és a regularizációt, valamint a modellek teljesítményének értékelését. A tananyag kitér a perceptron és a neurális hálózatok alapjaira, a támaszvektor-gépekre, a példányalapú tanulásra és a legközelebbi szomszéd módszerekre, a klaszterezésre, a döntési fákra, az ensemble módszerekre, a probabilisztikus modellekre és a megerősítéses tanulás alapjaira. A gyakorlatok során a hallgatók különböző gépi tanulási algoritmusokat vizsgálnak és összehasonlítanak változatos adatkészleteken, elsősorban Python-csomagok alkalmazásával, egyéni órai és csoportos projektfeladatok keretében.