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 tanuló módszerek értékelésére az alkalmazhatóságuk szempontjából.
Tematika:
Gépi tanulás alapelvei. 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 Python-csomagok alkalmazásával.