https://vik.wiki/api.php?action=feedcontributions&feedformat=atom&user=Gyur%C3%B3s+P%C3%A9ter 2026-05-03T15:15:59Z Felhasználó közreműködései MediaWiki 1.43.8 https://vik.wiki/index.php?title=Laborat%C3%B3rium_2_-_3._M%C3%A9r%C3%A9s:_EMC_alapjelens%C3%A9gek_m%C3%A9r%C3%A9se&diff=198744 2020-02-24T18:28:28Z

<p>Gyurós Péter: /* Gondolatok a mérésről, tippek és tapasztalatok */</p> <hr /> <div>{{Vissza|Laboratórium 2}}<br /> <br /> == Gondolatok a mérésről, tippek és tapasztalatok ==<br /> <br /> *[http://www.schurter.com/var/schurter/storage/ilcatalogue/files/document/datasheet/en/pdf/typ_CD-Bowdencable.pdf CD11.4599.151] - A mérésen használt szűrő dokumentációja.<br /> * A mérés elején iratnak egy &quot;beugrót&quot; (bár a tárgyhonlap szerint nem iratnak, ez ne tévesszen meg senkit), amit valójában nem ellenőriznek, nem dobnak ki senkit emiatt, szóval nem kell megijedni. Általában csak egy egyszerű terekes feladat.<br /> * A mérés maga elég monoton, néha nem is igazán lehet érteni miért is úgy mérjük amit mérünk, de érdemes figyelni a laborvezetőre, mert minden részfeladat előtt pontosan elmondja mit is kell tudni és hogyan is fogjuk megmérni.<br /> <br /> == Beugró kérdések ==<br /> <br /> *[[Laboratórium 2 - 3. Mérés ellenőrző kérdései|Ellenőrző kérdések kidolgozása]] - '''''&lt;span style=&quot;color: darkgreen&quot;&gt;Szerkesszétek, bővítsétek!&lt;/span&gt;'''''<br /> *Egyszerű számításos feladat (Ampère-törvény, Faraday-féle indukciós törvény)<br /> <br /> == Házi feladathoz segítség ==<br /> <br /> *Erre a mérésre nincs egyéni házi feladat, de mindenkinek ki kell írásban dolgoznia a segédlet végén található ellenőrző kérdéseket.<br /> *Azért arra mindenki figyeljen, hogy ne egy az egyben másoljon a wikiről! Az ott lévő megoldások csak támpontul szolgáljanak azok számára, akik egy-egy feladatban nagyon elakadnának!<br /> <br /> == Ellenőrző mérés ==<br /> <br /> *[[Media:Labor2_mérés3_jegyzőkönyv1.docx|Jegyzőkönyv (2011)]]<br /> <br /> <br /> *Ide jöhetnek kitöltött jegyzőkönyvek<br /> *Ide lehet gyűjteni:<br /> **Milyen feladatot adtak az ellenőrző mérésen<br /> **Mire érdemes figyelni<br /> **Hibák, amiket nem kéne elkövetni és megoldási javaslat/trükk<br /> <br /> [[Kategória:Villamosmérnök]]</div>

Gyurós Péter https://vik.wiki/index.php?title=Deep_Learning_a_gyakorlatban_Python_%C3%A9s_LUA_alapon&diff=198586 2020-01-19T17:57:00Z

<p>Gyurós Péter: /* Tippek */</p> <hr /> <div>{{Tantárgy<br /> | név = Deep Learning a gyakorlatban Python és LUA alapon<br /> | tárgykód = VITMAV45<br /> | kredit = 4<br /> | kereszt = nincs<br /> | tanszék = TMIT<br /> | jelenlét = gyakorlaton min. 70%<br /> | minmunka = NHF + vizsga<br /> | labor = nincs<br /> | kiszh = nincs<br /> | nagyzh = nincs<br /> | hf = NHF + opcionális 5db KHF<br /> | vizsga = írásbeli + szóbeli<br /> | levlista = [https://groups.google.com/forum/#!forum/vitmav45 Google Groups]<br /> | tad = https://portal.vik.bme.hu/kepzes/targyak/vitmav45<br /> | tárgyhonlap = http://smartlab.tmit.bme.hu/oktatas-deep-learning<br /> }}<br /> 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. A neuronháló mély rétegei a modellezni kívánt folyamat különböző, magas és alacsony szintű absztrakcióinak kinyerésére, osztályozására és predikciójára képesek. A mély tanuló rendszerek már a gépi beszéd- és látásfunkciók modellezésén túl alkalmasak például fordításra, zenei stílus automatikus osztályozására, felhasználói preferencia jóslására, felhasználó azonosítására, sőt, akár rajzolni és zenét komponálni is tudnak. Napjainkban már az olyan nagy cégek, mint a Google, Facebook, Amazon, IBM is egyre több technológiájukat helyezik deep learning alapokra. A tárgy gyakorlati problémák megoldásán keresztül tanítja meg a rendelkezésre álló, az iparban is széles körben használt két legfontosabb nyílt forráskódú mély tanuló keretrendszer, a Facebook által támogatott Torch (LUA) és a Theano (Python) programozását és az ezek széleskörű használatához szükséges elméleti alapokat. <br /> == Követelmények ==<br /> Gyakorlatok 70%-án való részvétel, amit jelenléti ívvel ellenőriznek is!<br /> <br /> Nagy házi feladat elkészítése és bemutatása.<br /> <br /> Vizsga (írásbeli és szóbeli).<br /> <br /> == Házi ==<br /> 3 fős csapatokban egy szabadon választott témából kell házi feladatot kidolgozni. A nagyházi megléte az aláírás feltétele! A házi mellé egy beszámoló dokumentumot is kell készíteni. Megfelelő minőségű és mennyiségű házi feladatért megajánlott jegy (4-es vagy 5-ös) jár. Megajánlott jegyhez kötelezően kell 2 mérföldkövet tartani!<br /> <br /> Ezen felül 5db szorgalmi kis házi kerül kiírásra a félév során. Egyenként 20 pontot lehet rájuk kapni, összesen 70%-ra +1 jegy jár. Érdemes velük foglalkozni, rengeteget lehet velük tanulni, fejlődni a témakörben. Ezeket GitHubra feltöltött Jupyter notebook formátumban kell beadni.<br /> <br /> == Vizsga ==<br /> A vizsgán megajánlott jegyért a nagyháziról szóló előadást kell megtartani, válaszolni kérdésekre, ezután a vizsgáztatók osztályozzák a munkát. (Az előadás kb 7-10 perc)<br /> <br /> Ha nem megajánlott jegyre mész:<br /> A vizsga elsősorban szóbeli, 3 témakört (melyből az első fixen a backpropagation) kellett papíron alaposan kidolgozni, majd ezekről szóban beszélni és kérdésekre válaszolni. Jó jegyhez alaposan kell tudni és érteni a dolgokat, gyakorlati szinten is! <br /> Pár főbb téma ami előfordulhat: convnet, VAE, GAN, RNN, BPTT, LSTM, hiperparaméter optimalizálás.<br /> <br /> == Tippek ==<br /> A tárgy oktatói mindenkit ösztönöznek a megajánlott jegy megszerzésére. Kis házi feladatok 70%-os teljesítésével és az előadásokon Kahoot! kvíz kitöltésével +1 jegyet lehet szerezni.<br /> <br /> Ha még nem programoztál soha Pythonban, erősen ajánlott a kurzus elkezdése előtt megismertetni magad vele és a NumPy könyvtárral. A tárgyhonlapon találsz rengeteg hasznos forrást szinte mindenhez. A projekteket bármilyen keretrendszerben elkészítheted, de gyakorlaton elősorban Keras-al és Tensorflowval fogsz találkozni. A lineáris algebra alapjait is jó, ha átnézed első előadás előtt.<br /> <br /> == Verseny ==<br /> Az előadásokon Kahoot! verseny van, a legeredményesebb 5 hallgató a félév végén +1 jegyet kap.<br /> <br /> == Kedvcsináló ==<br /> <br /> ===2016/7===<br /> <br /> Izgalmas, cutting-edge technológiát mutat be, minden előadáson szánnak pár percet arra, hogy bemutassák az aktuális híreket. Viszont nehéz, van egy nagy házi, amit csapatosan kell megcsinálni és nagyon-nagyon sok időt elvesz. Nem lehet az utolsó hétre hagyni. A tárgyhonlapon van kint egy javaslat, hogy hány órát kell hetente a tárgyra szánni, az tényleg kell. De ha jó házit adsz be, akkor nem kell vizsgázni (egy ötös házit viszont büszkén lehet mutogatni).(NGD)<br /> <br /> ===2019/20===<br /> Ha érdekel a téma mindenképp érdemes felvenni, nagyon jó tárgy, jól előadva és szervezve. Előadásra és gyakorlatra is érdemes bejárni, egyrészt mert érdekes és sokat lehet tanulni, másrészt a diákból - ha nem voltál benn - utólagosan nem lehet megfelelően felkészülni. A nagyházi nehéz, főleg, hogy ha nincs tapasztalatod a területen és választasz egy izgalmas témát, foglamad sincs, mibe vered a fejszéd. Sok idő elmegy vele, de annál többet lehet vele tanulni. Összességében bátran ajánlom (de csak akkor ha tudod, hogy lesz időd vele foglalkozni)!<br /> <br /> [[Category:Valaszthato]]</div>

Gyurós Péter https://vik.wiki/index.php?title=Deep_Learning_a_gyakorlatban_Python_%C3%A9s_LUA_alapon&diff=198585 2020-01-19T17:55:55Z

<p>Gyurós Péter: /* Vizsga */</p> <hr /> <div>{{Tantárgy<br /> | név = Deep Learning a gyakorlatban Python és LUA alapon<br /> | tárgykód = VITMAV45<br /> | kredit = 4<br /> | kereszt = nincs<br /> | tanszék = TMIT<br /> | jelenlét = gyakorlaton min. 70%<br /> | minmunka = NHF + vizsga<br /> | labor = nincs<br /> | kiszh = nincs<br /> | nagyzh = nincs<br /> | hf = NHF + opcionális 5db KHF<br /> | vizsga = írásbeli + szóbeli<br /> | levlista = [https://groups.google.com/forum/#!forum/vitmav45 Google Groups]<br /> | tad = https://portal.vik.bme.hu/kepzes/targyak/vitmav45<br /> | tárgyhonlap = http://smartlab.tmit.bme.hu/oktatas-deep-learning<br /> }}<br /> 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. A neuronháló mély rétegei a modellezni kívánt folyamat különböző, magas és alacsony szintű absztrakcióinak kinyerésére, osztályozására és predikciójára képesek. A mély tanuló rendszerek már a gépi beszéd- és látásfunkciók modellezésén túl alkalmasak például fordításra, zenei stílus automatikus osztályozására, felhasználói preferencia jóslására, felhasználó azonosítására, sőt, akár rajzolni és zenét komponálni is tudnak. Napjainkban már az olyan nagy cégek, mint a Google, Facebook, Amazon, IBM is egyre több technológiájukat helyezik deep learning alapokra. A tárgy gyakorlati problémák megoldásán keresztül tanítja meg a rendelkezésre álló, az iparban is széles körben használt két legfontosabb nyílt forráskódú mély tanuló keretrendszer, a Facebook által támogatott Torch (LUA) és a Theano (Python) programozását és az ezek széleskörű használatához szükséges elméleti alapokat. <br /> == Követelmények ==<br /> Gyakorlatok 70%-án való részvétel, amit jelenléti ívvel ellenőriznek is!<br /> <br /> Nagy házi feladat elkészítése és bemutatása.<br /> <br /> Vizsga (írásbeli és szóbeli).<br /> <br /> == Házi ==<br /> 3 fős csapatokban egy szabadon választott témából kell házi feladatot kidolgozni. A nagyházi megléte az aláírás feltétele! A házi mellé egy beszámoló dokumentumot is kell készíteni. Megfelelő minőségű és mennyiségű házi feladatért megajánlott jegy (4-es vagy 5-ös) jár. Megajánlott jegyhez kötelezően kell 2 mérföldkövet tartani!<br /> <br /> Ezen felül 5db szorgalmi kis házi kerül kiírásra a félév során. Egyenként 20 pontot lehet rájuk kapni, összesen 70%-ra +1 jegy jár. Érdemes velük foglalkozni, rengeteget lehet velük tanulni, fejlődni a témakörben. Ezeket GitHubra feltöltött Jupyter notebook formátumban kell beadni.<br /> <br /> == Vizsga ==<br /> A vizsgán megajánlott jegyért a nagyháziról szóló előadást kell megtartani, válaszolni kérdésekre, ezután a vizsgáztatók osztályozzák a munkát. (Az előadás kb 7-10 perc)<br /> <br /> Ha nem megajánlott jegyre mész:<br /> A vizsga elsősorban szóbeli, 3 témakört (melyből az első fixen a backpropagation) kellett papíron alaposan kidolgozni, majd ezekről szóban beszélni és kérdésekre válaszolni. Jó jegyhez alaposan kell tudni és érteni a dolgokat, gyakorlati szinten is! <br /> Pár főbb téma ami előfordulhat: convnet, VAE, GAN, RNN, BPTT, LSTM, hiperparaméter optimalizálás.<br /> <br /> == Tippek ==<br /> A tárgy oktatói mindenkit ösztönöznek a megajánlott jegy megszerzésére. Kis házi feladatok 70%-os teljesítésével és az előadásokon Kahoot! kvíz kitöltésével plusz jegyet lehet elérni.<br /> <br /> Ha még nem programoztál soha Pythonban, erősen ajánlott a kurzus elkezdése előtt megismertetni magad vele és a NumPy könyvtárral. A tárgyhonlapon találsz rengeteg hasznos forrást szinte mindenhez. A projekteket bármilyen keretrendszerben elkészítheted, de gyakorlaton elősorban Keras-al és Tensorflowval fogsz találkozni. A lineáris algebra alapjait is jó, ha átnézed első előadás előtt.<br /> <br /> == Verseny ==<br /> Az előadásokon Kahoot! verseny van, a legeredményesebb 5 hallgató a félév végén +1 jegyet kap.<br /> <br /> == Kedvcsináló ==<br /> <br /> ===2016/7===<br /> <br /> Izgalmas, cutting-edge technológiát mutat be, minden előadáson szánnak pár percet arra, hogy bemutassák az aktuális híreket. Viszont nehéz, van egy nagy házi, amit csapatosan kell megcsinálni és nagyon-nagyon sok időt elvesz. Nem lehet az utolsó hétre hagyni. A tárgyhonlapon van kint egy javaslat, hogy hány órát kell hetente a tárgyra szánni, az tényleg kell. De ha jó házit adsz be, akkor nem kell vizsgázni (egy ötös házit viszont büszkén lehet mutogatni).(NGD)<br /> <br /> ===2019/20===<br /> Ha érdekel a téma mindenképp érdemes felvenni, nagyon jó tárgy, jól előadva és szervezve. Előadásra és gyakorlatra is érdemes bejárni, egyrészt mert érdekes és sokat lehet tanulni, másrészt a diákból - ha nem voltál benn - utólagosan nem lehet megfelelően felkészülni. A nagyházi nehéz, főleg, hogy ha nincs tapasztalatod a területen és választasz egy izgalmas témát, foglamad sincs, mibe vered a fejszéd. Sok idő elmegy vele, de annál többet lehet vele tanulni. Összességében bátran ajánlom (de csak akkor ha tudod, hogy lesz időd vele foglalkozni)!<br /> <br /> [[Category:Valaszthato]]</div>

Gyurós Péter https://vik.wiki/index.php?title=Deep_Learning_a_gyakorlatban_Python_%C3%A9s_LUA_alapon&diff=198584 2020-01-19T17:54:56Z

<p>Gyurós Péter: /* Házi */</p> <hr /> <div>{{Tantárgy<br /> | név = Deep Learning a gyakorlatban Python és LUA alapon<br /> | tárgykód = VITMAV45<br /> | kredit = 4<br /> | kereszt = nincs<br /> | tanszék = TMIT<br /> | jelenlét = gyakorlaton min. 70%<br /> | minmunka = NHF + vizsga<br /> | labor = nincs<br /> | kiszh = nincs<br /> | nagyzh = nincs<br /> | hf = NHF + opcionális 5db KHF<br /> | vizsga = írásbeli + szóbeli<br /> | levlista = [https://groups.google.com/forum/#!forum/vitmav45 Google Groups]<br /> | tad = https://portal.vik.bme.hu/kepzes/targyak/vitmav45<br /> | tárgyhonlap = http://smartlab.tmit.bme.hu/oktatas-deep-learning<br /> }}<br /> 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. A neuronháló mély rétegei a modellezni kívánt folyamat különböző, magas és alacsony szintű absztrakcióinak kinyerésére, osztályozására és predikciójára képesek. A mély tanuló rendszerek már a gépi beszéd- és látásfunkciók modellezésén túl alkalmasak például fordításra, zenei stílus automatikus osztályozására, felhasználói preferencia jóslására, felhasználó azonosítására, sőt, akár rajzolni és zenét komponálni is tudnak. Napjainkban már az olyan nagy cégek, mint a Google, Facebook, Amazon, IBM is egyre több technológiájukat helyezik deep learning alapokra. A tárgy gyakorlati problémák megoldásán keresztül tanítja meg a rendelkezésre álló, az iparban is széles körben használt két legfontosabb nyílt forráskódú mély tanuló keretrendszer, a Facebook által támogatott Torch (LUA) és a Theano (Python) programozását és az ezek széleskörű használatához szükséges elméleti alapokat. <br /> == Követelmények ==<br /> Gyakorlatok 70%-án való részvétel, amit jelenléti ívvel ellenőriznek is!<br /> <br /> Nagy házi feladat elkészítése és bemutatása.<br /> <br /> Vizsga (írásbeli és szóbeli).<br /> <br /> == Házi ==<br /> 3 fős csapatokban egy szabadon választott témából kell házi feladatot kidolgozni. A nagyházi megléte az aláírás feltétele! A házi mellé egy beszámoló dokumentumot is kell készíteni. Megfelelő minőségű és mennyiségű házi feladatért megajánlott jegy (4-es vagy 5-ös) jár. Megajánlott jegyhez kötelezően kell 2 mérföldkövet tartani!<br /> <br /> Ezen felül 5db szorgalmi kis házi kerül kiírásra a félév során. Egyenként 20 pontot lehet rájuk kapni, összesen 70%-ra +1 jegy jár. Érdemes velük foglalkozni, rengeteget lehet velük tanulni, fejlődni a témakörben. Ezeket GitHubra feltöltött Jupyter notebook formátumban kell beadni.<br /> <br /> == Vizsga ==<br /> A vizsgán megajánlott jegyért a nagyháziról szóló előadást kell megtartani, válaszolni kérdésekre, ezután a vizsgáztatók osztályozzák a munkát. (Az előadás kb 7-10 perc)<br /> <br /> Ha nem megajánlott jegyre mész:<br /> A vizsga elősorban szóbeli, 3 témakört (melyből az első fixen a backpropagation) kellett papíron alaposan kidolgozni, majd ezekről szóban beszélni és kérdésekre válaszolni. Jó jegyhez alaposan kell tudni és érteni a dolgokat, gyakorlati szinten is! <br /> Pár főbb téma ami előfordulhat: convnet, VAE, GAN, RNN, BPTT, LSTM, hiperparaméter optimalizálás.<br /> <br /> == Tippek ==<br /> A tárgy oktatói mindenkit ösztönöznek a megajánlott jegy megszerzésére. Kis házi feladatok 70%-os teljesítésével és az előadásokon Kahoot! kvíz kitöltésével plusz jegyet lehet elérni.<br /> <br /> Ha még nem programoztál soha Pythonban, erősen ajánlott a kurzus elkezdése előtt megismertetni magad vele és a NumPy könyvtárral. A tárgyhonlapon találsz rengeteg hasznos forrást szinte mindenhez. A projekteket bármilyen keretrendszerben elkészítheted, de gyakorlaton elősorban Keras-al és Tensorflowval fogsz találkozni. A lineáris algebra alapjait is jó, ha átnézed első előadás előtt.<br /> <br /> == Verseny ==<br /> Az előadásokon Kahoot! verseny van, a legeredményesebb 5 hallgató a félév végén +1 jegyet kap.<br /> <br /> == Kedvcsináló ==<br /> <br /> ===2016/7===<br /> <br /> Izgalmas, cutting-edge technológiát mutat be, minden előadáson szánnak pár percet arra, hogy bemutassák az aktuális híreket. Viszont nehéz, van egy nagy házi, amit csapatosan kell megcsinálni és nagyon-nagyon sok időt elvesz. Nem lehet az utolsó hétre hagyni. A tárgyhonlapon van kint egy javaslat, hogy hány órát kell hetente a tárgyra szánni, az tényleg kell. De ha jó házit adsz be, akkor nem kell vizsgázni (egy ötös házit viszont büszkén lehet mutogatni).(NGD)<br /> <br /> ===2019/20===<br /> Ha érdekel a téma mindenképp érdemes felvenni, nagyon jó tárgy, jól előadva és szervezve. Előadásra és gyakorlatra is érdemes bejárni, egyrészt mert érdekes és sokat lehet tanulni, másrészt a diákból - ha nem voltál benn - utólagosan nem lehet megfelelően felkészülni. A nagyházi nehéz, főleg, hogy ha nincs tapasztalatod a területen és választasz egy izgalmas témát, foglamad sincs, mibe vered a fejszéd. Sok idő elmegy vele, de annál többet lehet vele tanulni. Összességében bátran ajánlom (de csak akkor ha tudod, hogy lesz időd vele foglalkozni)!<br /> <br /> [[Category:Valaszthato]]</div>

Gyurós Péter https://vik.wiki/index.php?title=Deep_Learning_a_gyakorlatban_Python_%C3%A9s_LUA_alapon&diff=198583 2020-01-19T17:53:52Z

<p>Gyurós Péter: /* Házi */</p> <hr /> <div>{{Tantárgy<br /> | név = Deep Learning a gyakorlatban Python és LUA alapon<br /> | tárgykód = VITMAV45<br /> | kredit = 4<br /> | kereszt = nincs<br /> | tanszék = TMIT<br /> | jelenlét = gyakorlaton min. 70%<br /> | minmunka = NHF + vizsga<br /> | labor = nincs<br /> | kiszh = nincs<br /> | nagyzh = nincs<br /> | hf = NHF + opcionális 5db KHF<br /> | vizsga = írásbeli + szóbeli<br /> | levlista = [https://groups.google.com/forum/#!forum/vitmav45 Google Groups]<br /> | tad = https://portal.vik.bme.hu/kepzes/targyak/vitmav45<br /> | tárgyhonlap = http://smartlab.tmit.bme.hu/oktatas-deep-learning<br /> }}<br /> 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. A neuronháló mély rétegei a modellezni kívánt folyamat különböző, magas és alacsony szintű absztrakcióinak kinyerésére, osztályozására és predikciójára képesek. A mély tanuló rendszerek már a gépi beszéd- és látásfunkciók modellezésén túl alkalmasak például fordításra, zenei stílus automatikus osztályozására, felhasználói preferencia jóslására, felhasználó azonosítására, sőt, akár rajzolni és zenét komponálni is tudnak. Napjainkban már az olyan nagy cégek, mint a Google, Facebook, Amazon, IBM is egyre több technológiájukat helyezik deep learning alapokra. A tárgy gyakorlati problémák megoldásán keresztül tanítja meg a rendelkezésre álló, az iparban is széles körben használt két legfontosabb nyílt forráskódú mély tanuló keretrendszer, a Facebook által támogatott Torch (LUA) és a Theano (Python) programozását és az ezek széleskörű használatához szükséges elméleti alapokat. <br /> == Követelmények ==<br /> Gyakorlatok 70%-án való részvétel, amit jelenléti ívvel ellenőriznek is!<br /> <br /> Nagy házi feladat elkészítése és bemutatása.<br /> <br /> Vizsga (írásbeli és szóbeli).<br /> <br /> == Házi ==<br /> 3 fős csapatokban egy szabadon választott témából kell házi feladatot kidolgozni. A nagyházi megléte az aláírás feltétele! A házi mellé egy beszámoló dokumentumot is kell készíteni. Megfelelő minőségű és mennyiségű házi feladatért megajánlott jegy (4-es vagy 5-ös) jár. Megajánlott jegyhez kötelezően kell 2 mérföldkövet tartani!<br /> <br /> Ezen felül 5db szorgalmi kis házi kerül kiírásra a félév során. Egyenként 20 pontot lehet rájuk kapni, összesen 70%-ra +1 jegy jár. Érdemes velük foglalkozni, rengeteget lehet velük tanulni, fejlődni a témakörben. Ezeket GitHubon Jupyter notebook formátumban kell időben beadni.<br /> <br /> == Vizsga ==<br /> A vizsgán megajánlott jegyért a nagyháziról szóló előadást kell megtartani, válaszolni kérdésekre, ezután a vizsgáztatók osztályozzák a munkát. (Az előadás kb 7-10 perc)<br /> <br /> Ha nem megajánlott jegyre mész:<br /> A vizsga elősorban szóbeli, 3 témakört (melyből az első fixen a backpropagation) kellett papíron alaposan kidolgozni, majd ezekről szóban beszélni és kérdésekre válaszolni. Jó jegyhez alaposan kell tudni és érteni a dolgokat, gyakorlati szinten is! <br /> Pár főbb téma ami előfordulhat: convnet, VAE, GAN, RNN, BPTT, LSTM, hiperparaméter optimalizálás.<br /> <br /> == Tippek ==<br /> A tárgy oktatói mindenkit ösztönöznek a megajánlott jegy megszerzésére. Kis házi feladatok 70%-os teljesítésével és az előadásokon Kahoot! kvíz kitöltésével plusz jegyet lehet elérni.<br /> <br /> Ha még nem programoztál soha Pythonban, erősen ajánlott a kurzus elkezdése előtt megismertetni magad vele és a NumPy könyvtárral. A tárgyhonlapon találsz rengeteg hasznos forrást szinte mindenhez. A projekteket bármilyen keretrendszerben elkészítheted, de gyakorlaton elősorban Keras-al és Tensorflowval fogsz találkozni. A lineáris algebra alapjait is jó, ha átnézed első előadás előtt.<br /> <br /> == Verseny ==<br /> Az előadásokon Kahoot! verseny van, a legeredményesebb 5 hallgató a félév végén +1 jegyet kap.<br /> <br /> == Kedvcsináló ==<br /> <br /> ===2016/7===<br /> <br /> Izgalmas, cutting-edge technológiát mutat be, minden előadáson szánnak pár percet arra, hogy bemutassák az aktuális híreket. Viszont nehéz, van egy nagy házi, amit csapatosan kell megcsinálni és nagyon-nagyon sok időt elvesz. Nem lehet az utolsó hétre hagyni. A tárgyhonlapon van kint egy javaslat, hogy hány órát kell hetente a tárgyra szánni, az tényleg kell. De ha jó házit adsz be, akkor nem kell vizsgázni (egy ötös házit viszont büszkén lehet mutogatni).(NGD)<br /> <br /> ===2019/20===<br /> Ha érdekel a téma mindenképp érdemes felvenni, nagyon jó tárgy, jól előadva és szervezve. Előadásra és gyakorlatra is érdemes bejárni, egyrészt mert érdekes és sokat lehet tanulni, másrészt a diákból - ha nem voltál benn - utólagosan nem lehet megfelelően felkészülni. A nagyházi nehéz, főleg, hogy ha nincs tapasztalatod a területen és választasz egy izgalmas témát, foglamad sincs, mibe vered a fejszéd. Sok idő elmegy vele, de annál többet lehet vele tanulni. Összességében bátran ajánlom (de csak akkor ha tudod, hogy lesz időd vele foglalkozni)!<br /> <br /> [[Category:Valaszthato]]</div>

Gyurós Péter https://vik.wiki/index.php?title=Deep_Learning_a_gyakorlatban_Python_%C3%A9s_LUA_alapon&diff=198582 2020-01-19T17:53:02Z

<p>Gyurós Péter: /* Vizsga */</p> <hr /> <div>{{Tantárgy<br /> | név = Deep Learning a gyakorlatban Python és LUA alapon<br /> | tárgykód = VITMAV45<br /> | kredit = 4<br /> | kereszt = nincs<br /> | tanszék = TMIT<br /> | jelenlét = gyakorlaton min. 70%<br /> | minmunka = NHF + vizsga<br /> | labor = nincs<br /> | kiszh = nincs<br /> | nagyzh = nincs<br /> | hf = NHF + opcionális 5db KHF<br /> | vizsga = írásbeli + szóbeli<br /> | levlista = [https://groups.google.com/forum/#!forum/vitmav45 Google Groups]<br /> | tad = https://portal.vik.bme.hu/kepzes/targyak/vitmav45<br /> | tárgyhonlap = http://smartlab.tmit.bme.hu/oktatas-deep-learning<br /> }}<br /> 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. A neuronháló mély rétegei a modellezni kívánt folyamat különböző, magas és alacsony szintű absztrakcióinak kinyerésére, osztályozására és predikciójára képesek. A mély tanuló rendszerek már a gépi beszéd- és látásfunkciók modellezésén túl alkalmasak például fordításra, zenei stílus automatikus osztályozására, felhasználói preferencia jóslására, felhasználó azonosítására, sőt, akár rajzolni és zenét komponálni is tudnak. Napjainkban már az olyan nagy cégek, mint a Google, Facebook, Amazon, IBM is egyre több technológiájukat helyezik deep learning alapokra. A tárgy gyakorlati problémák megoldásán keresztül tanítja meg a rendelkezésre álló, az iparban is széles körben használt két legfontosabb nyílt forráskódú mély tanuló keretrendszer, a Facebook által támogatott Torch (LUA) és a Theano (Python) programozását és az ezek széleskörű használatához szükséges elméleti alapokat. <br /> == Követelmények ==<br /> Gyakorlatok 70%-án való részvétel, amit jelenléti ívvel ellenőriznek is!<br /> <br /> Nagy házi feladat elkészítése és bemutatása.<br /> <br /> Vizsga (írásbeli és szóbeli).<br /> <br /> == Házi ==<br /> 3 fős csapatokban egy szabadon választott témából kell házi feladatot kidolgozni. A nagyházi megléte az aláírás feltétele! A házi mellé egy beszámoló dokumentumot is kell készíteni. Megfelelő minőségű és mennyiségű házi feladatért megajánlott jegy (4-es vagy 5-ös) jár. Megajánlott jegyhez kötelezően kell 2 mérföldkövet tartani!<br /> <br /> Összesen 5db szorgalmi kis házi kerül kiírásra a félév során. Egyenként 20 pontot lehet rájuk kapni, összesen 70%-ra +1 jegy jár. Érdemes velük foglalkozni, rengeteget lehet velük tanulni, fejlődni a témakörben. Ezeket GitHubon Jupyter notebook formátumban kell időben beadni.<br /> <br /> == Vizsga ==<br /> A vizsgán megajánlott jegyért a nagyháziról szóló előadást kell megtartani, válaszolni kérdésekre, ezután a vizsgáztatók osztályozzák a munkát. (Az előadás kb 7-10 perc)<br /> <br /> Ha nem megajánlott jegyre mész:<br /> A vizsga elősorban szóbeli, 3 témakört (melyből az első fixen a backpropagation) kellett papíron alaposan kidolgozni, majd ezekről szóban beszélni és kérdésekre válaszolni. Jó jegyhez alaposan kell tudni és érteni a dolgokat, gyakorlati szinten is! <br /> Pár főbb téma ami előfordulhat: convnet, VAE, GAN, RNN, BPTT, LSTM, hiperparaméter optimalizálás.<br /> <br /> == Tippek ==<br /> A tárgy oktatói mindenkit ösztönöznek a megajánlott jegy megszerzésére. Kis házi feladatok 70%-os teljesítésével és az előadásokon Kahoot! kvíz kitöltésével plusz jegyet lehet elérni.<br /> <br /> Ha még nem programoztál soha Pythonban, erősen ajánlott a kurzus elkezdése előtt megismertetni magad vele és a NumPy könyvtárral. A tárgyhonlapon találsz rengeteg hasznos forrást szinte mindenhez. A projekteket bármilyen keretrendszerben elkészítheted, de gyakorlaton elősorban Keras-al és Tensorflowval fogsz találkozni. A lineáris algebra alapjait is jó, ha átnézed első előadás előtt.<br /> <br /> == Verseny ==<br /> Az előadásokon Kahoot! verseny van, a legeredményesebb 5 hallgató a félév végén +1 jegyet kap.<br /> <br /> == Kedvcsináló ==<br /> <br /> ===2016/7===<br /> <br /> Izgalmas, cutting-edge technológiát mutat be, minden előadáson szánnak pár percet arra, hogy bemutassák az aktuális híreket. Viszont nehéz, van egy nagy házi, amit csapatosan kell megcsinálni és nagyon-nagyon sok időt elvesz. Nem lehet az utolsó hétre hagyni. A tárgyhonlapon van kint egy javaslat, hogy hány órát kell hetente a tárgyra szánni, az tényleg kell. De ha jó házit adsz be, akkor nem kell vizsgázni (egy ötös házit viszont büszkén lehet mutogatni).(NGD)<br /> <br /> ===2019/20===<br /> Ha érdekel a téma mindenképp érdemes felvenni, nagyon jó tárgy, jól előadva és szervezve. Előadásra és gyakorlatra is érdemes bejárni, egyrészt mert érdekes és sokat lehet tanulni, másrészt a diákból - ha nem voltál benn - utólagosan nem lehet megfelelően felkészülni. A nagyházi nehéz, főleg, hogy ha nincs tapasztalatod a területen és választasz egy izgalmas témát, foglamad sincs, mibe vered a fejszéd. Sok idő elmegy vele, de annál többet lehet vele tanulni. Összességében bátran ajánlom (de csak akkor ha tudod, hogy lesz időd vele foglalkozni)!<br /> <br /> [[Category:Valaszthato]]</div>

Gyurós Péter https://vik.wiki/index.php?title=Deep_Learning_a_gyakorlatban_Python_%C3%A9s_LUA_alapon&diff=198581 2020-01-19T17:52:25Z

<p>Gyurós Péter: /* Követelmények */</p> <hr /> <div>{{Tantárgy<br /> | név = Deep Learning a gyakorlatban Python és LUA alapon<br /> | tárgykód = VITMAV45<br /> | kredit = 4<br /> | kereszt = nincs<br /> | tanszék = TMIT<br /> | jelenlét = gyakorlaton min. 70%<br /> | minmunka = NHF + vizsga<br /> | labor = nincs<br /> | kiszh = nincs<br /> | nagyzh = nincs<br /> | hf = NHF + opcionális 5db KHF<br /> | vizsga = írásbeli + szóbeli<br /> | levlista = [https://groups.google.com/forum/#!forum/vitmav45 Google Groups]<br /> | tad = https://portal.vik.bme.hu/kepzes/targyak/vitmav45<br /> | tárgyhonlap = http://smartlab.tmit.bme.hu/oktatas-deep-learning<br /> }}<br /> 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. A neuronháló mély rétegei a modellezni kívánt folyamat különböző, magas és alacsony szintű absztrakcióinak kinyerésére, osztályozására és predikciójára képesek. A mély tanuló rendszerek már a gépi beszéd- és látásfunkciók modellezésén túl alkalmasak például fordításra, zenei stílus automatikus osztályozására, felhasználói preferencia jóslására, felhasználó azonosítására, sőt, akár rajzolni és zenét komponálni is tudnak. Napjainkban már az olyan nagy cégek, mint a Google, Facebook, Amazon, IBM is egyre több technológiájukat helyezik deep learning alapokra. A tárgy gyakorlati problémák megoldásán keresztül tanítja meg a rendelkezésre álló, az iparban is széles körben használt két legfontosabb nyílt forráskódú mély tanuló keretrendszer, a Facebook által támogatott Torch (LUA) és a Theano (Python) programozását és az ezek széleskörű használatához szükséges elméleti alapokat. <br /> == Követelmények ==<br /> Gyakorlatok 70%-án való részvétel, amit jelenléti ívvel ellenőriznek is!<br /> <br /> Nagy házi feladat elkészítése és bemutatása.<br /> <br /> Vizsga (írásbeli és szóbeli).<br /> <br /> == Házi ==<br /> 3 fős csapatokban egy szabadon választott témából kell házi feladatot kidolgozni. A nagyházi megléte az aláírás feltétele! A házi mellé egy beszámoló dokumentumot is kell készíteni. Megfelelő minőségű és mennyiségű házi feladatért megajánlott jegy (4-es vagy 5-ös) jár. Megajánlott jegyhez kötelezően kell 2 mérföldkövet tartani!<br /> <br /> Összesen 5db szorgalmi kis házi kerül kiírásra a félév során. Egyenként 20 pontot lehet rájuk kapni, összesen 70%-ra +1 jegy jár. Érdemes velük foglalkozni, rengeteget lehet velük tanulni, fejlődni a témakörben. Ezeket GitHubon Jupyter notebook formátumban kell időben beadni.<br /> <br /> == Vizsga ==<br /> A vizsgán megajánlott jegyért a nagyháziról szóló előadást kell megtartani, válaszolni kérdésekre, ezután a vizsgáztatók osztályozzák a munkát. (Az előadás 7-10 perces legyen!)<br /> <br /> Ha nem megajánlott jegyre mész:<br /> A vizsga elősorban szóbeli, 3 témakört (melyből az első fixen a backpropagation) kellett papíron alaposan kidolgozni, majd ezekről szóban beszélni és kérdésekre válaszolni. Jó jegyhez alaposan kell tudni és érteni a dolgokat, gyakorlati szinten is! <br /> Pár főbb téma ami előfordulhat: convnet, VAE, GAN, RNN, BPTT, LSTM, hiperparaméter optimalizálás.<br /> <br /> == Tippek ==<br /> A tárgy oktatói mindenkit ösztönöznek a megajánlott jegy megszerzésére. Kis házi feladatok 70%-os teljesítésével és az előadásokon Kahoot! kvíz kitöltésével plusz jegyet lehet elérni.<br /> <br /> Ha még nem programoztál soha Pythonban, erősen ajánlott a kurzus elkezdése előtt megismertetni magad vele és a NumPy könyvtárral. A tárgyhonlapon találsz rengeteg hasznos forrást szinte mindenhez. A projekteket bármilyen keretrendszerben elkészítheted, de gyakorlaton elősorban Keras-al és Tensorflowval fogsz találkozni. A lineáris algebra alapjait is jó, ha átnézed első előadás előtt.<br /> <br /> == Verseny ==<br /> Az előadásokon Kahoot! verseny van, a legeredményesebb 5 hallgató a félév végén +1 jegyet kap.<br /> <br /> == Kedvcsináló ==<br /> <br /> ===2016/7===<br /> <br /> Izgalmas, cutting-edge technológiát mutat be, minden előadáson szánnak pár percet arra, hogy bemutassák az aktuális híreket. Viszont nehéz, van egy nagy házi, amit csapatosan kell megcsinálni és nagyon-nagyon sok időt elvesz. Nem lehet az utolsó hétre hagyni. A tárgyhonlapon van kint egy javaslat, hogy hány órát kell hetente a tárgyra szánni, az tényleg kell. De ha jó házit adsz be, akkor nem kell vizsgázni (egy ötös házit viszont büszkén lehet mutogatni).(NGD)<br /> <br /> ===2019/20===<br /> Ha érdekel a téma mindenképp érdemes felvenni, nagyon jó tárgy, jól előadva és szervezve. Előadásra és gyakorlatra is érdemes bejárni, egyrészt mert érdekes és sokat lehet tanulni, másrészt a diákból - ha nem voltál benn - utólagosan nem lehet megfelelően felkészülni. A nagyházi nehéz, főleg, hogy ha nincs tapasztalatod a területen és választasz egy izgalmas témát, foglamad sincs, mibe vered a fejszéd. Sok idő elmegy vele, de annál többet lehet vele tanulni. Összességében bátran ajánlom (de csak akkor ha tudod, hogy lesz időd vele foglalkozni)!<br /> <br /> [[Category:Valaszthato]]</div>

Gyurós Péter https://vik.wiki/index.php?title=Deep_Learning_a_gyakorlatban_Python_%C3%A9s_LUA_alapon&diff=198580 2020-01-19T17:49:09Z

<p>Gyurós Péter: /* Tippek */</p> <hr /> <div>{{Tantárgy<br /> | név = Deep Learning a gyakorlatban Python és LUA alapon<br /> | tárgykód = VITMAV45<br /> | kredit = 4<br /> | kereszt = nincs<br /> | tanszék = TMIT<br /> | jelenlét = gyakorlaton min. 70%<br /> | minmunka = NHF + vizsga<br /> | labor = nincs<br /> | kiszh = nincs<br /> | nagyzh = nincs<br /> | hf = NHF + opcionális 5db KHF<br /> | vizsga = írásbeli + szóbeli<br /> | levlista = [https://groups.google.com/forum/#!forum/vitmav45 Google Groups]<br /> | tad = https://portal.vik.bme.hu/kepzes/targyak/vitmav45<br /> | tárgyhonlap = http://smartlab.tmit.bme.hu/oktatas-deep-learning<br /> }}<br /> 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. A neuronháló mély rétegei a modellezni kívánt folyamat különböző, magas és alacsony szintű absztrakcióinak kinyerésére, osztályozására és predikciójára képesek. A mély tanuló rendszerek már a gépi beszéd- és látásfunkciók modellezésén túl alkalmasak például fordításra, zenei stílus automatikus osztályozására, felhasználói preferencia jóslására, felhasználó azonosítására, sőt, akár rajzolni és zenét komponálni is tudnak. Napjainkban már az olyan nagy cégek, mint a Google, Facebook, Amazon, IBM is egyre több technológiájukat helyezik deep learning alapokra. A tárgy gyakorlati problémák megoldásán keresztül tanítja meg a rendelkezésre álló, az iparban is széles körben használt két legfontosabb nyílt forráskódú mély tanuló keretrendszer, a Facebook által támogatott Torch (LUA) és a Theano (Python) programozását és az ezek széleskörű használatához szükséges elméleti alapokat. <br /> == Követelmények ==<br /> Gyakorlatok 70%-án való részvétel, amit jelenléti ívvel ellenőriznek is!<br /> Nagy házi feladat elkészítése és bemutatása.<br /> Vizsga (írásbeli és szóbeli).<br /> <br /> == Házi ==<br /> 3 fős csapatokban egy szabadon választott témából kell házi feladatot kidolgozni. A nagyházi megléte az aláírás feltétele! A házi mellé egy beszámoló dokumentumot is kell készíteni. Megfelelő minőségű és mennyiségű házi feladatért megajánlott jegy (4-es vagy 5-ös) jár. Megajánlott jegyhez kötelezően kell 2 mérföldkövet tartani!<br /> <br /> Összesen 5db szorgalmi kis házi kerül kiírásra a félév során. Egyenként 20 pontot lehet rájuk kapni, összesen 70%-ra +1 jegy jár. Érdemes velük foglalkozni, rengeteget lehet velük tanulni, fejlődni a témakörben. Ezeket GitHubon Jupyter notebook formátumban kell időben beadni.<br /> <br /> == Vizsga ==<br /> A vizsgán megajánlott jegyért a nagyháziról szóló előadást kell megtartani, válaszolni kérdésekre, ezután a vizsgáztatók osztályozzák a munkát. (Az előadás 7-10 perces legyen!)<br /> <br /> Ha nem megajánlott jegyre mész:<br /> A vizsga elősorban szóbeli, 3 témakört (melyből az első fixen a backpropagation) kellett papíron alaposan kidolgozni, majd ezekről szóban beszélni és kérdésekre válaszolni. Jó jegyhez alaposan kell tudni és érteni a dolgokat, gyakorlati szinten is! <br /> Pár főbb téma ami előfordulhat: convnet, VAE, GAN, RNN, BPTT, LSTM, hiperparaméter optimalizálás.<br /> <br /> == Tippek ==<br /> A tárgy oktatói mindenkit ösztönöznek a megajánlott jegy megszerzésére. Kis házi feladatok 70%-os teljesítésével és az előadásokon Kahoot! kvíz kitöltésével plusz jegyet lehet elérni.<br /> <br /> Ha még nem programoztál soha Pythonban, erősen ajánlott a kurzus elkezdése előtt megismertetni magad vele és a NumPy könyvtárral. A tárgyhonlapon találsz rengeteg hasznos forrást szinte mindenhez. A projekteket bármilyen keretrendszerben elkészítheted, de gyakorlaton elősorban Keras-al és Tensorflowval fogsz találkozni. A lineáris algebra alapjait is jó, ha átnézed első előadás előtt.<br /> <br /> == Verseny ==<br /> Az előadásokon Kahoot! verseny van, a legeredményesebb 5 hallgató a félév végén +1 jegyet kap.<br /> <br /> == Kedvcsináló ==<br /> <br /> ===2016/7===<br /> <br /> Izgalmas, cutting-edge technológiát mutat be, minden előadáson szánnak pár percet arra, hogy bemutassák az aktuális híreket. Viszont nehéz, van egy nagy házi, amit csapatosan kell megcsinálni és nagyon-nagyon sok időt elvesz. Nem lehet az utolsó hétre hagyni. A tárgyhonlapon van kint egy javaslat, hogy hány órát kell hetente a tárgyra szánni, az tényleg kell. De ha jó házit adsz be, akkor nem kell vizsgázni (egy ötös házit viszont büszkén lehet mutogatni).(NGD)<br /> <br /> ===2019/20===<br /> Ha érdekel a téma mindenképp érdemes felvenni, nagyon jó tárgy, jól előadva és szervezve. Előadásra és gyakorlatra is érdemes bejárni, egyrészt mert érdekes és sokat lehet tanulni, másrészt a diákból - ha nem voltál benn - utólagosan nem lehet megfelelően felkészülni. A nagyházi nehéz, főleg, hogy ha nincs tapasztalatod a területen és választasz egy izgalmas témát, foglamad sincs, mibe vered a fejszéd. Sok idő elmegy vele, de annál többet lehet vele tanulni. Összességében bátran ajánlom (de csak akkor ha tudod, hogy lesz időd vele foglalkozni)!<br /> <br /> [[Category:Valaszthato]]</div>

Gyurós Péter https://vik.wiki/index.php?title=Deep_Learning_a_gyakorlatban_Python_%C3%A9s_LUA_alapon&diff=198579 2020-01-19T17:47:23Z

<p>Gyurós Péter: /* Házi */</p> <hr /> <div>{{Tantárgy<br /> | név = Deep Learning a gyakorlatban Python és LUA alapon<br /> | tárgykód = VITMAV45<br /> | kredit = 4<br /> | kereszt = nincs<br /> | tanszék = TMIT<br /> | jelenlét = gyakorlaton min. 70%<br /> | minmunka = NHF + vizsga<br /> | labor = nincs<br /> | kiszh = nincs<br /> | nagyzh = nincs<br /> | hf = NHF + opcionális 5db KHF<br /> | vizsga = írásbeli + szóbeli<br /> | levlista = [https://groups.google.com/forum/#!forum/vitmav45 Google Groups]<br /> | tad = https://portal.vik.bme.hu/kepzes/targyak/vitmav45<br /> | tárgyhonlap = http://smartlab.tmit.bme.hu/oktatas-deep-learning<br /> }}<br /> 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. A neuronháló mély rétegei a modellezni kívánt folyamat különböző, magas és alacsony szintű absztrakcióinak kinyerésére, osztályozására és predikciójára képesek. A mély tanuló rendszerek már a gépi beszéd- és látásfunkciók modellezésén túl alkalmasak például fordításra, zenei stílus automatikus osztályozására, felhasználói preferencia jóslására, felhasználó azonosítására, sőt, akár rajzolni és zenét komponálni is tudnak. Napjainkban már az olyan nagy cégek, mint a Google, Facebook, Amazon, IBM is egyre több technológiájukat helyezik deep learning alapokra. A tárgy gyakorlati problémák megoldásán keresztül tanítja meg a rendelkezésre álló, az iparban is széles körben használt két legfontosabb nyílt forráskódú mély tanuló keretrendszer, a Facebook által támogatott Torch (LUA) és a Theano (Python) programozását és az ezek széleskörű használatához szükséges elméleti alapokat. <br /> == Követelmények ==<br /> Gyakorlatok 70%-án való részvétel, amit jelenléti ívvel ellenőriznek is!<br /> Nagy házi feladat elkészítése és bemutatása.<br /> Vizsga (írásbeli és szóbeli).<br /> <br /> == Házi ==<br /> 3 fős csapatokban egy szabadon választott témából kell házi feladatot kidolgozni. A nagyházi megléte az aláírás feltétele! A házi mellé egy beszámoló dokumentumot is kell készíteni. Megfelelő minőségű és mennyiségű házi feladatért megajánlott jegy (4-es vagy 5-ös) jár. Megajánlott jegyhez kötelezően kell 2 mérföldkövet tartani!<br /> <br /> Összesen 5db szorgalmi kis házi kerül kiírásra a félév során. Egyenként 20 pontot lehet rájuk kapni, összesen 70%-ra +1 jegy jár. Érdemes velük foglalkozni, rengeteget lehet velük tanulni, fejlődni a témakörben. Ezeket GitHubon Jupyter notebook formátumban kell időben beadni.<br /> <br /> == Vizsga ==<br /> A vizsgán megajánlott jegyért a nagyháziról szóló előadást kell megtartani, válaszolni kérdésekre, ezután a vizsgáztatók osztályozzák a munkát. (Az előadás 7-10 perces legyen!)<br /> <br /> Ha nem megajánlott jegyre mész:<br /> A vizsga elősorban szóbeli, 3 témakört (melyből az első fixen a backpropagation) kellett papíron alaposan kidolgozni, majd ezekről szóban beszélni és kérdésekre válaszolni. Jó jegyhez alaposan kell tudni és érteni a dolgokat, gyakorlati szinten is! <br /> Pár főbb téma ami előfordulhat: convnet, VAE, GAN, RNN, BPTT, LSTM, hiperparaméter optimalizálás.<br /> <br /> == Tippek ==<br /> A tárgy oktatói mindenkit ösztönöznek a megajánlott jegy megszerzésére. Kis házi feladatok 70%-os teljesítésével és az előadásokon Kahoot! kvíz kitöltésével plusz jegyet lehet elérni.<br /> <br /> Ha még nem programoztál soha Pythonban, erősen ajánlott a kurzus elkezdése előtt megismertetni magad vele és a NumPy könyvtárral. A tárgyhonlapon találsz rengeteg hasznos forrást szinte mindenhez. A projekteket bármilyen keretrendszerben elkészítheted, de gyakorlaton elősorban Kerasüal és Tensorflowval fogsy találkozni. A lineáris algebra alapjait is jó, ha átnézed első előadás előtt.<br /> <br /> == Verseny ==<br /> Az előadásokon Kahoot! verseny van, a legeredményesebb 5 hallgató a félév végén +1 jegyet kap.<br /> <br /> == Kedvcsináló ==<br /> <br /> ===2016/7===<br /> <br /> Izgalmas, cutting-edge technológiát mutat be, minden előadáson szánnak pár percet arra, hogy bemutassák az aktuális híreket. Viszont nehéz, van egy nagy házi, amit csapatosan kell megcsinálni és nagyon-nagyon sok időt elvesz. Nem lehet az utolsó hétre hagyni. A tárgyhonlapon van kint egy javaslat, hogy hány órát kell hetente a tárgyra szánni, az tényleg kell. De ha jó házit adsz be, akkor nem kell vizsgázni (egy ötös házit viszont büszkén lehet mutogatni).(NGD)<br /> <br /> ===2019/20===<br /> Ha érdekel a téma mindenképp érdemes felvenni, nagyon jó tárgy, jól előadva és szervezve. Előadásra és gyakorlatra is érdemes bejárni, egyrészt mert érdekes és sokat lehet tanulni, másrészt a diákból - ha nem voltál benn - utólagosan nem lehet megfelelően felkészülni. A nagyházi nehéz, főleg, hogy ha nincs tapasztalatod a területen és választasz egy izgalmas témát, foglamad sincs, mibe vered a fejszéd. Sok idő elmegy vele, de annál többet lehet vele tanulni. Összességében bátran ajánlom (de csak akkor ha tudod, hogy lesz időd vele foglalkozni)!<br /> <br /> [[Category:Valaszthato]]</div>

Gyurós Péter https://vik.wiki/index.php?title=Deep_Learning_a_gyakorlatban_Python_%C3%A9s_LUA_alapon&diff=198578 2020-01-19T17:46:42Z

<p>Gyurós Péter: /* Tippek */</p> <hr /> <div>{{Tantárgy<br /> | név = Deep Learning a gyakorlatban Python és LUA alapon<br /> | tárgykód = VITMAV45<br /> | kredit = 4<br /> | kereszt = nincs<br /> | tanszék = TMIT<br /> | jelenlét = gyakorlaton min. 70%<br /> | minmunka = NHF + vizsga<br /> | labor = nincs<br /> | kiszh = nincs<br /> | nagyzh = nincs<br /> | hf = NHF + opcionális 5db KHF<br /> | vizsga = írásbeli + szóbeli<br /> | levlista = [https://groups.google.com/forum/#!forum/vitmav45 Google Groups]<br /> | tad = https://portal.vik.bme.hu/kepzes/targyak/vitmav45<br /> | tárgyhonlap = http://smartlab.tmit.bme.hu/oktatas-deep-learning<br /> }}<br /> 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. A neuronháló mély rétegei a modellezni kívánt folyamat különböző, magas és alacsony szintű absztrakcióinak kinyerésére, osztályozására és predikciójára képesek. A mély tanuló rendszerek már a gépi beszéd- és látásfunkciók modellezésén túl alkalmasak például fordításra, zenei stílus automatikus osztályozására, felhasználói preferencia jóslására, felhasználó azonosítására, sőt, akár rajzolni és zenét komponálni is tudnak. Napjainkban már az olyan nagy cégek, mint a Google, Facebook, Amazon, IBM is egyre több technológiájukat helyezik deep learning alapokra. A tárgy gyakorlati problémák megoldásán keresztül tanítja meg a rendelkezésre álló, az iparban is széles körben használt két legfontosabb nyílt forráskódú mély tanuló keretrendszer, a Facebook által támogatott Torch (LUA) és a Theano (Python) programozását és az ezek széleskörű használatához szükséges elméleti alapokat. <br /> == Követelmények ==<br /> Gyakorlatok 70%-án való részvétel, amit jelenléti ívvel ellenőriznek is!<br /> Nagy házi feladat elkészítése és bemutatása.<br /> Vizsga (írásbeli és szóbeli).<br /> <br /> == Házi ==<br /> 3 fős csapatokban egy szabadon választott témából kell házi feladatot kidolgozni. A nagyházi megléte az aláírás feltétele! A házi mellé egy beszámoló dokumentumot is kell készíteni. Megfelelő minőségű és mennyiségű házi feladatért megajánlott jegy (4-es vagy 5-ös) jár. Megajánlott jegyhez kötelezően kell 2 mérföldkövet tartani!<br /> <br /> Összesen 5db szorgalmi kis házi kerül kiírásra a félév során. Egyenként 20 pontot lehet rájuk kapni, összesen 70%-ra +1 jegy jár. Érdemes velük foglalkozni, rengeteget lehet velük tanulni, fejlődni a témakörben.<br /> <br /> == Vizsga ==<br /> A vizsgán megajánlott jegyért a nagyháziról szóló előadást kell megtartani, válaszolni kérdésekre, ezután a vizsgáztatók osztályozzák a munkát. (Az előadás 7-10 perces legyen!)<br /> <br /> Ha nem megajánlott jegyre mész:<br /> A vizsga elősorban szóbeli, 3 témakört (melyből az első fixen a backpropagation) kellett papíron alaposan kidolgozni, majd ezekről szóban beszélni és kérdésekre válaszolni. Jó jegyhez alaposan kell tudni és érteni a dolgokat, gyakorlati szinten is! <br /> Pár főbb téma ami előfordulhat: convnet, VAE, GAN, RNN, BPTT, LSTM, hiperparaméter optimalizálás.<br /> <br /> == Tippek ==<br /> A tárgy oktatói mindenkit ösztönöznek a megajánlott jegy megszerzésére. Kis házi feladatok 70%-os teljesítésével és az előadásokon Kahoot! kvíz kitöltésével plusz jegyet lehet elérni.<br /> <br /> Ha még nem programoztál soha Pythonban, erősen ajánlott a kurzus elkezdése előtt megismertetni magad vele és a NumPy könyvtárral. A tárgyhonlapon találsz rengeteg hasznos forrást szinte mindenhez. A projekteket bármilyen keretrendszerben elkészítheted, de gyakorlaton elősorban Kerasüal és Tensorflowval fogsy találkozni. A lineáris algebra alapjait is jó, ha átnézed első előadás előtt.<br /> <br /> == Verseny ==<br /> Az előadásokon Kahoot! verseny van, a legeredményesebb 5 hallgató a félév végén +1 jegyet kap.<br /> <br /> == Kedvcsináló ==<br /> <br /> ===2016/7===<br /> <br /> Izgalmas, cutting-edge technológiát mutat be, minden előadáson szánnak pár percet arra, hogy bemutassák az aktuális híreket. Viszont nehéz, van egy nagy házi, amit csapatosan kell megcsinálni és nagyon-nagyon sok időt elvesz. Nem lehet az utolsó hétre hagyni. A tárgyhonlapon van kint egy javaslat, hogy hány órát kell hetente a tárgyra szánni, az tényleg kell. De ha jó házit adsz be, akkor nem kell vizsgázni (egy ötös házit viszont büszkén lehet mutogatni).(NGD)<br /> <br /> ===2019/20===<br /> Ha érdekel a téma mindenképp érdemes felvenni, nagyon jó tárgy, jól előadva és szervezve. Előadásra és gyakorlatra is érdemes bejárni, egyrészt mert érdekes és sokat lehet tanulni, másrészt a diákból - ha nem voltál benn - utólagosan nem lehet megfelelően felkészülni. A nagyházi nehéz, főleg, hogy ha nincs tapasztalatod a területen és választasz egy izgalmas témát, foglamad sincs, mibe vered a fejszéd. Sok idő elmegy vele, de annál többet lehet vele tanulni. Összességében bátran ajánlom (de csak akkor ha tudod, hogy lesz időd vele foglalkozni)!<br /> <br /> [[Category:Valaszthato]]</div>

Gyurós Péter https://vik.wiki/index.php?title=Deep_Learning_a_gyakorlatban_Python_%C3%A9s_LUA_alapon&diff=198577 2020-01-19T17:39:49Z

<p>Gyurós Péter: </p> <hr /> <div>{{Tantárgy<br /> | név = Deep Learning a gyakorlatban Python és LUA alapon<br /> | tárgykód = VITMAV45<br /> | kredit = 4<br /> | kereszt = nincs<br /> | tanszék = TMIT<br /> | jelenlét = gyakorlaton min. 70%<br /> | minmunka = NHF + vizsga<br /> | labor = nincs<br /> | kiszh = nincs<br /> | nagyzh = nincs<br /> | hf = NHF + opcionális 5db KHF<br /> | vizsga = írásbeli + szóbeli<br /> | levlista = [https://groups.google.com/forum/#!forum/vitmav45 Google Groups]<br /> | tad = https://portal.vik.bme.hu/kepzes/targyak/vitmav45<br /> | tárgyhonlap = http://smartlab.tmit.bme.hu/oktatas-deep-learning<br /> }}<br /> 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. A neuronháló mély rétegei a modellezni kívánt folyamat különböző, magas és alacsony szintű absztrakcióinak kinyerésére, osztályozására és predikciójára képesek. A mély tanuló rendszerek már a gépi beszéd- és látásfunkciók modellezésén túl alkalmasak például fordításra, zenei stílus automatikus osztályozására, felhasználói preferencia jóslására, felhasználó azonosítására, sőt, akár rajzolni és zenét komponálni is tudnak. Napjainkban már az olyan nagy cégek, mint a Google, Facebook, Amazon, IBM is egyre több technológiájukat helyezik deep learning alapokra. A tárgy gyakorlati problémák megoldásán keresztül tanítja meg a rendelkezésre álló, az iparban is széles körben használt két legfontosabb nyílt forráskódú mély tanuló keretrendszer, a Facebook által támogatott Torch (LUA) és a Theano (Python) programozását és az ezek széleskörű használatához szükséges elméleti alapokat. <br /> == Követelmények ==<br /> Gyakorlatok 70%-án való részvétel, amit jelenléti ívvel ellenőriznek is!<br /> Nagy házi feladat elkészítése és bemutatása.<br /> Vizsga (írásbeli és szóbeli).<br /> <br /> == Házi ==<br /> 3 fős csapatokban egy szabadon választott témából kell házi feladatot kidolgozni. A nagyházi megléte az aláírás feltétele! A házi mellé egy beszámoló dokumentumot is kell készíteni. Megfelelő minőségű és mennyiségű házi feladatért megajánlott jegy (4-es vagy 5-ös) jár. Megajánlott jegyhez kötelezően kell 2 mérföldkövet tartani!<br /> <br /> Összesen 5db szorgalmi kis házi kerül kiírásra a félév során. Egyenként 20 pontot lehet rájuk kapni, összesen 70%-ra +1 jegy jár. Érdemes velük foglalkozni, rengeteget lehet velük tanulni, fejlődni a témakörben.<br /> <br /> == Vizsga ==<br /> A vizsgán megajánlott jegyért a nagyháziról szóló előadást kell megtartani, válaszolni kérdésekre, ezután a vizsgáztatók osztályozzák a munkát. (Az előadás 7-10 perces legyen!)<br /> <br /> Ha nem megajánlott jegyre mész:<br /> A vizsga elősorban szóbeli, 3 témakört (melyből az első fixen a backpropagation) kellett papíron alaposan kidolgozni, majd ezekről szóban beszélni és kérdésekre válaszolni. Jó jegyhez alaposan kell tudni és érteni a dolgokat, gyakorlati szinten is! <br /> Pár főbb téma ami előfordulhat: convnet, VAE, GAN, RNN, BPTT, LSTM, hiperparaméter optimalizálás.<br /> <br /> == Tippek ==<br /> A tárgy oktatói mindenkit ösztönöznek a megajánlott jegy megszerzésére. Kis házi feladatok 70%-os teljesítésével és az előadásokon Kahoot! kvíz kitöltésével plusz jegyet lehet elérni.<br /> <br /> == Verseny ==<br /> Az előadásokon Kahoot! verseny van, a legeredményesebb 5 hallgató a félév végén +1 jegyet kap.<br /> <br /> == Kedvcsináló ==<br /> <br /> ===2016/7===<br /> <br /> Izgalmas, cutting-edge technológiát mutat be, minden előadáson szánnak pár percet arra, hogy bemutassák az aktuális híreket. Viszont nehéz, van egy nagy házi, amit csapatosan kell megcsinálni és nagyon-nagyon sok időt elvesz. Nem lehet az utolsó hétre hagyni. A tárgyhonlapon van kint egy javaslat, hogy hány órát kell hetente a tárgyra szánni, az tényleg kell. De ha jó házit adsz be, akkor nem kell vizsgázni (egy ötös házit viszont büszkén lehet mutogatni).(NGD)<br /> <br /> ===2019/20===<br /> Ha érdekel a téma mindenképp érdemes felvenni, nagyon jó tárgy, jól előadva és szervezve. Előadásra és gyakorlatra is érdemes bejárni, egyrészt mert érdekes és sokat lehet tanulni, másrészt a diákból - ha nem voltál benn - utólagosan nem lehet megfelelően felkészülni. A nagyházi nehéz, főleg, hogy ha nincs tapasztalatod a területen és választasz egy izgalmas témát, foglamad sincs, mibe vered a fejszéd. Sok idő elmegy vele, de annál többet lehet vele tanulni. Összességében bátran ajánlom (de csak akkor ha tudod, hogy lesz időd vele foglalkozni)!<br /> <br /> [[Category:Valaszthato]]</div>

Gyurós Péter https://vik.wiki/index.php?title=Deep_Learning_a_gyakorlatban_Python_%C3%A9s_LUA_alapon&diff=198576 2020-01-19T17:38:48Z

<p>Gyurós Péter: /* Tippek */</p> <hr /> <div>{{Tantárgy<br /> | név = Deep Learning a gyakorlatban Python és LUA alapon<br /> | tárgykód = VITMAV45<br /> | kredit = 4<br /> | kereszt = ?<br /> | tanszék = TMIT<br /> | jelenlét = gyakorlaton min. 70%<br /> | minmunka = NHF + vizsga<br /> | labor = nincs<br /> | kiszh = nincs<br /> | nagyzh = nincs<br /> | hf = NHF + opcionális KHF-k<br /> | vizsga = írásbeli + szóbeli<br /> | levlista = [https://groups.google.com/forum/#!forum/vitmav45 Google Groups]<br /> | tad = https://portal.vik.bme.hu/kepzes/targyak/vitmav45<br /> | tárgyhonlap = http://smartlab.tmit.bme.hu/oktatas-deep-learning<br /> }}<br /> 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. A neuronháló mély rétegei a modellezni kívánt folyamat különböző, magas és alacsony szintű absztrakcióinak kinyerésére, osztályozására és predikciójára képesek. A mély tanuló rendszerek már a gépi beszéd- és látásfunkciók modellezésén túl alkalmasak például fordításra, zenei stílus automatikus osztályozására, felhasználói preferencia jóslására, felhasználó azonosítására, sőt, akár rajzolni és zenét komponálni is tudnak. Napjainkban már az olyan nagy cégek, mint a Google, Facebook, Amazon, IBM is egyre több technológiájukat helyezik deep learning alapokra. A tárgy gyakorlati problémák megoldásán keresztül tanítja meg a rendelkezésre álló, az iparban is széles körben használt két legfontosabb nyílt forráskódú mély tanuló keretrendszer, a Facebook által támogatott Torch (LUA) és a Theano (Python) programozását és az ezek széleskörű használatához szükséges elméleti alapokat. <br /> == Követelmények ==<br /> Gyakorlatok 70%-án való részvétel, amit jelenléti ívvel ellenőriznek is!<br /> Nagy házi feladat elkészítése és bemutatása.<br /> Vizsga (írásbeli és szóbeli).<br /> <br /> == Házi ==<br /> 3 fős csapatokban egy szabadon választott témából kell házi feladatot kidolgozni. A nagyházi megléte az aláírás feltétele! A házi mellé egy beszámoló dokumentumot is kell készíteni. Megfelelő minőségű és mennyiségű házi feladatért megajánlott jegy (4-es vagy 5-ös) jár. Megajánlott jegyhez kötelezően kell 2 mérföldkövet tartani!<br /> <br /> Összesen 5db szorgalmi kis házi kerül kiírásra a félév során. Egyenként 20 pontot lehet rájuk kapni, összesen 70%-ra +1 jegy jár. Érdemes velük foglalkozni, rengeteget lehet velük tanulni, fejlődni a témakörben.<br /> <br /> == Vizsga ==<br /> A vizsgán megajánlott jegyért a nagyháziról szóló előadást kell megtartani, válaszolni kérdésekre, ezután a vizsgáztatók osztályozzák a munkát. (Az előadás 7-10 perces legyen!)<br /> <br /> Ha nem megajánlott jegyre mész:<br /> A vizsga elősorban szóbeli, 3 témakört (melyből az első fixen a backpropagation) kellett papíron alaposan kidolgozni, majd ezekről szóban beszélni és kérdésekre válaszolni. Jó jegyhez alaposan kell tudni és érteni a dolgokat, gyakorlati szinten is! <br /> Pár főbb téma ami előfordulhat: convnet, VAE, GAN, RNN, BPTT, LSTM, hiperparaméter optimalizálás.<br /> <br /> == Tippek ==<br /> A tárgy oktatói mindenkit ösztönöznek a megajánlott jegy megszerzésére. Kis házi feladatok 70%-os teljesítésével és az előadásokon Kahoot! kvíz kitöltésével plusz jegyet lehet elérni.<br /> <br /> == Verseny ==<br /> Az előadásokon Kahoot! verseny van, a legeredményesebb 5 hallgató a félév végén +1 jegyet kap.<br /> <br /> == Kedvcsináló ==<br /> <br /> ===2016/7===<br /> <br /> Izgalmas, cutting-edge technológiát mutat be, minden előadáson szánnak pár percet arra, hogy bemutassák az aktuális híreket. Viszont nehéz, van egy nagy házi, amit csapatosan kell megcsinálni és nagyon-nagyon sok időt elvesz. Nem lehet az utolsó hétre hagyni. A tárgyhonlapon van kint egy javaslat, hogy hány órát kell hetente a tárgyra szánni, az tényleg kell. De ha jó házit adsz be, akkor nem kell vizsgázni (egy ötös házit viszont büszkén lehet mutogatni).(NGD)<br /> <br /> ===2019/20===<br /> Ha érdekel a téma mindenképp érdemes felvenni, nagyon jó tárgy, jól előadva és szervezve. Előadásra és gyakorlatra is érdemes bejárni, egyrészt mert érdekes és sokat lehet tanulni, másrészt a diákból - ha nem voltál benn - utólagosan nem lehet megfelelően felkészülni. A nagyházi nehéz, főleg, hogy ha nincs tapasztalatod a területen és választasz egy izgalmas témát, foglamad sincs, mibe vered a fejszéd. Sok idő elmegy vele, de annál többet lehet vele tanulni. Összességében bátran ajánlom (de csak akkor ha tudod, hogy lesz időd vele foglalkozni)!<br /> <br /> [[Category:Valaszthato]]</div>

Gyurós Péter https://vik.wiki/index.php?title=Deep_Learning_a_gyakorlatban_Python_%C3%A9s_LUA_alapon&diff=198575 2020-01-19T17:37:39Z

<p>Gyurós Péter: /* Követelmények */</p> <hr /> <div>{{Tantárgy<br /> | név = Deep Learning a gyakorlatban Python és LUA alapon<br /> | tárgykód = VITMAV45<br /> | kredit = 4<br /> | kereszt = ?<br /> | tanszék = TMIT<br /> | jelenlét = gyakorlaton min. 70%<br /> | minmunka = NHF + vizsga<br /> | labor = nincs<br /> | kiszh = nincs<br /> | nagyzh = nincs<br /> | hf = NHF + opcionális KHF-k<br /> | vizsga = írásbeli + szóbeli<br /> | levlista = [https://groups.google.com/forum/#!forum/vitmav45 Google Groups]<br /> | tad = https://portal.vik.bme.hu/kepzes/targyak/vitmav45<br /> | tárgyhonlap = http://smartlab.tmit.bme.hu/oktatas-deep-learning<br /> }}<br /> 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. A neuronháló mély rétegei a modellezni kívánt folyamat különböző, magas és alacsony szintű absztrakcióinak kinyerésére, osztályozására és predikciójára képesek. A mély tanuló rendszerek már a gépi beszéd- és látásfunkciók modellezésén túl alkalmasak például fordításra, zenei stílus automatikus osztályozására, felhasználói preferencia jóslására, felhasználó azonosítására, sőt, akár rajzolni és zenét komponálni is tudnak. Napjainkban már az olyan nagy cégek, mint a Google, Facebook, Amazon, IBM is egyre több technológiájukat helyezik deep learning alapokra. A tárgy gyakorlati problémák megoldásán keresztül tanítja meg a rendelkezésre álló, az iparban is széles körben használt két legfontosabb nyílt forráskódú mély tanuló keretrendszer, a Facebook által támogatott Torch (LUA) és a Theano (Python) programozását és az ezek széleskörű használatához szükséges elméleti alapokat. <br /> == Követelmények ==<br /> Gyakorlatok 70%-án való részvétel, amit jelenléti ívvel ellenőriznek is!<br /> Nagy házi feladat elkészítése és bemutatása.<br /> Vizsga (írásbeli és szóbeli).<br /> <br /> == Házi ==<br /> 3 fős csapatokban egy szabadon választott témából kell házi feladatot kidolgozni. A nagyházi megléte az aláírás feltétele! A házi mellé egy beszámoló dokumentumot is kell készíteni. Megfelelő minőségű és mennyiségű házi feladatért megajánlott jegy (4-es vagy 5-ös) jár. Megajánlott jegyhez kötelezően kell 2 mérföldkövet tartani!<br /> <br /> Összesen 5db szorgalmi kis házi kerül kiírásra a félév során. Egyenként 20 pontot lehet rájuk kapni, összesen 70%-ra +1 jegy jár. Érdemes velük foglalkozni, rengeteget lehet velük tanulni, fejlődni a témakörben.<br /> <br /> == Vizsga ==<br /> A vizsgán megajánlott jegyért a nagyháziról szóló előadást kell megtartani, válaszolni kérdésekre, ezután a vizsgáztatók osztályozzák a munkát. (Az előadás 7-10 perces legyen!)<br /> <br /> Ha nem megajánlott jegyre mész:<br /> A vizsga elősorban szóbeli, 3 témakört (melyből az első fixen a backpropagation) kellett papíron alaposan kidolgozni, majd ezekről szóban beszélni és kérdésekre válaszolni. Jó jegyhez alaposan kell tudni és érteni a dolgokat, gyakorlati szinten is! <br /> Pár főbb téma ami előfordulhat: convnet, VAE, GAN, RNN, BPTT, LSTM, hiperparaméter optimalizálás.<br /> <br /> == Tippek ==<br /> A tárgy oktatói mindenkit ösztönöznek a megajánlott jegy megszerzésére. Kis házi feladatokkal +1 jegyet lehet elérni. Az előadásokon kvíz kitöltésével plusz jegyet lehet elérni.<br /> <br /> == Verseny ==<br /> Az előadásokon Kahoot! verseny van, a legeredményesebb 5 hallgató a félév végén +1 jegyet kap.<br /> <br /> == Kedvcsináló ==<br /> <br /> ===2016/7===<br /> <br /> Izgalmas, cutting-edge technológiát mutat be, minden előadáson szánnak pár percet arra, hogy bemutassák az aktuális híreket. Viszont nehéz, van egy nagy házi, amit csapatosan kell megcsinálni és nagyon-nagyon sok időt elvesz. Nem lehet az utolsó hétre hagyni. A tárgyhonlapon van kint egy javaslat, hogy hány órát kell hetente a tárgyra szánni, az tényleg kell. De ha jó házit adsz be, akkor nem kell vizsgázni (egy ötös házit viszont büszkén lehet mutogatni).(NGD)<br /> <br /> ===2019/20===<br /> Ha érdekel a téma mindenképp érdemes felvenni, nagyon jó tárgy, jól előadva és szervezve. Előadásra és gyakorlatra is érdemes bejárni, egyrészt mert érdekes és sokat lehet tanulni, másrészt a diákból - ha nem voltál benn - utólagosan nem lehet megfelelően felkészülni. A nagyházi nehéz, főleg, hogy ha nincs tapasztalatod a területen és választasz egy izgalmas témát, foglamad sincs, mibe vered a fejszéd. Sok idő elmegy vele, de annál többet lehet vele tanulni. Összességében bátran ajánlom (de csak akkor ha tudod, hogy lesz időd vele foglalkozni)!<br /> <br /> [[Category:Valaszthato]]</div>

Gyurós Péter https://vik.wiki/index.php?title=Deep_Learning_a_gyakorlatban_Python_%C3%A9s_LUA_alapon&diff=198574 2020-01-19T17:37:23Z

<p>Gyurós Péter: /* 2019 */</p> <hr /> <div>{{Tantárgy<br /> | név = Deep Learning a gyakorlatban Python és LUA alapon<br /> | tárgykód = VITMAV45<br /> | kredit = 4<br /> | kereszt = ?<br /> | tanszék = TMIT<br /> | jelenlét = gyakorlaton min. 70%<br /> | minmunka = NHF + vizsga<br /> | labor = nincs<br /> | kiszh = nincs<br /> | nagyzh = nincs<br /> | hf = NHF + opcionális KHF-k<br /> | vizsga = írásbeli + szóbeli<br /> | levlista = [https://groups.google.com/forum/#!forum/vitmav45 Google Groups]<br /> | tad = https://portal.vik.bme.hu/kepzes/targyak/vitmav45<br /> | tárgyhonlap = http://smartlab.tmit.bme.hu/oktatas-deep-learning<br /> }}<br /> 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. A neuronháló mély rétegei a modellezni kívánt folyamat különböző, magas és alacsony szintű absztrakcióinak kinyerésére, osztályozására és predikciójára képesek. A mély tanuló rendszerek már a gépi beszéd- és látásfunkciók modellezésén túl alkalmasak például fordításra, zenei stílus automatikus osztályozására, felhasználói preferencia jóslására, felhasználó azonosítására, sőt, akár rajzolni és zenét komponálni is tudnak. Napjainkban már az olyan nagy cégek, mint a Google, Facebook, Amazon, IBM is egyre több technológiájukat helyezik deep learning alapokra. A tárgy gyakorlati problémák megoldásán keresztül tanítja meg a rendelkezésre álló, az iparban is széles körben használt két legfontosabb nyílt forráskódú mély tanuló keretrendszer, a Facebook által támogatott Torch (LUA) és a Theano (Python) programozását és az ezek széleskörű használatához szükséges elméleti alapokat. <br /> == Követelmények ==<br /> Gyakorlatok 70%-án való részvétel, amit jelenléti ívvel ellenőriznek is!<br /> Nagy házi feladat elkészítése és bemutatása.<br /> Vizsga(írásbeli és szóbeli).<br /> <br /> == Házi ==<br /> 3 fős csapatokban egy szabadon választott témából kell házi feladatot kidolgozni. A nagyházi megléte az aláírás feltétele! A házi mellé egy beszámoló dokumentumot is kell készíteni. Megfelelő minőségű és mennyiségű házi feladatért megajánlott jegy (4-es vagy 5-ös) jár. Megajánlott jegyhez kötelezően kell 2 mérföldkövet tartani!<br /> <br /> Összesen 5db szorgalmi kis házi kerül kiírásra a félév során. Egyenként 20 pontot lehet rájuk kapni, összesen 70%-ra +1 jegy jár. Érdemes velük foglalkozni, rengeteget lehet velük tanulni, fejlődni a témakörben.<br /> <br /> == Vizsga ==<br /> A vizsgán megajánlott jegyért a nagyháziról szóló előadást kell megtartani, válaszolni kérdésekre, ezután a vizsgáztatók osztályozzák a munkát. (Az előadás 7-10 perces legyen!)<br /> <br /> Ha nem megajánlott jegyre mész:<br /> A vizsga elősorban szóbeli, 3 témakört (melyből az első fixen a backpropagation) kellett papíron alaposan kidolgozni, majd ezekről szóban beszélni és kérdésekre válaszolni. Jó jegyhez alaposan kell tudni és érteni a dolgokat, gyakorlati szinten is! <br /> Pár főbb téma ami előfordulhat: convnet, VAE, GAN, RNN, BPTT, LSTM, hiperparaméter optimalizálás.<br /> <br /> == Tippek ==<br /> A tárgy oktatói mindenkit ösztönöznek a megajánlott jegy megszerzésére. Kis házi feladatokkal +1 jegyet lehet elérni. Az előadásokon kvíz kitöltésével plusz jegyet lehet elérni.<br /> <br /> == Verseny ==<br /> Az előadásokon Kahoot! verseny van, a legeredményesebb 5 hallgató a félév végén +1 jegyet kap.<br /> <br /> == Kedvcsináló ==<br /> <br /> ===2016/7===<br /> <br /> Izgalmas, cutting-edge technológiát mutat be, minden előadáson szánnak pár percet arra, hogy bemutassák az aktuális híreket. Viszont nehéz, van egy nagy házi, amit csapatosan kell megcsinálni és nagyon-nagyon sok időt elvesz. Nem lehet az utolsó hétre hagyni. A tárgyhonlapon van kint egy javaslat, hogy hány órát kell hetente a tárgyra szánni, az tényleg kell. De ha jó házit adsz be, akkor nem kell vizsgázni (egy ötös házit viszont büszkén lehet mutogatni).(NGD)<br /> <br /> ===2019/20===<br /> Ha érdekel a téma mindenképp érdemes felvenni, nagyon jó tárgy, jól előadva és szervezve. Előadásra és gyakorlatra is érdemes bejárni, egyrészt mert érdekes és sokat lehet tanulni, másrészt a diákból - ha nem voltál benn - utólagosan nem lehet megfelelően felkészülni. A nagyházi nehéz, főleg, hogy ha nincs tapasztalatod a területen és választasz egy izgalmas témát, foglamad sincs, mibe vered a fejszéd. Sok idő elmegy vele, de annál többet lehet vele tanulni. Összességében bátran ajánlom (de csak akkor ha tudod, hogy lesz időd vele foglalkozni)!<br /> <br /> [[Category:Valaszthato]]</div>

Gyurós Péter https://vik.wiki/index.php?title=Deep_Learning_a_gyakorlatban_Python_%C3%A9s_LUA_alapon&diff=198573 2020-01-19T17:37:01Z

<p>Gyurós Péter: /* Vizsga */</p> <hr /> <div>{{Tantárgy<br /> | név = Deep Learning a gyakorlatban Python és LUA alapon<br /> | tárgykód = VITMAV45<br /> | kredit = 4<br /> | kereszt = ?<br /> | tanszék = TMIT<br /> | jelenlét = gyakorlaton min. 70%<br /> | minmunka = NHF + vizsga<br /> | labor = nincs<br /> | kiszh = nincs<br /> | nagyzh = nincs<br /> | hf = NHF + opcionális KHF-k<br /> | vizsga = írásbeli + szóbeli<br /> | levlista = [https://groups.google.com/forum/#!forum/vitmav45 Google Groups]<br /> | tad = https://portal.vik.bme.hu/kepzes/targyak/vitmav45<br /> | tárgyhonlap = http://smartlab.tmit.bme.hu/oktatas-deep-learning<br /> }}<br /> 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. A neuronháló mély rétegei a modellezni kívánt folyamat különböző, magas és alacsony szintű absztrakcióinak kinyerésére, osztályozására és predikciójára képesek. A mély tanuló rendszerek már a gépi beszéd- és látásfunkciók modellezésén túl alkalmasak például fordításra, zenei stílus automatikus osztályozására, felhasználói preferencia jóslására, felhasználó azonosítására, sőt, akár rajzolni és zenét komponálni is tudnak. Napjainkban már az olyan nagy cégek, mint a Google, Facebook, Amazon, IBM is egyre több technológiájukat helyezik deep learning alapokra. A tárgy gyakorlati problémák megoldásán keresztül tanítja meg a rendelkezésre álló, az iparban is széles körben használt két legfontosabb nyílt forráskódú mély tanuló keretrendszer, a Facebook által támogatott Torch (LUA) és a Theano (Python) programozását és az ezek széleskörű használatához szükséges elméleti alapokat. <br /> == Követelmények ==<br /> Gyakorlatok 70%-án való részvétel, amit jelenléti ívvel ellenőriznek is!<br /> Nagy házi feladat elkészítése és bemutatása.<br /> Vizsga(írásbeli és szóbeli).<br /> <br /> == Házi ==<br /> 3 fős csapatokban egy szabadon választott témából kell házi feladatot kidolgozni. A nagyházi megléte az aláírás feltétele! A házi mellé egy beszámoló dokumentumot is kell készíteni. Megfelelő minőségű és mennyiségű házi feladatért megajánlott jegy (4-es vagy 5-ös) jár. Megajánlott jegyhez kötelezően kell 2 mérföldkövet tartani!<br /> <br /> Összesen 5db szorgalmi kis házi kerül kiírásra a félév során. Egyenként 20 pontot lehet rájuk kapni, összesen 70%-ra +1 jegy jár. Érdemes velük foglalkozni, rengeteget lehet velük tanulni, fejlődni a témakörben.<br /> <br /> == Vizsga ==<br /> ===2019===<br /> A vizsgán megajánlott jegyért a nagyháziról szóló előadást kell megtartani, válaszolni kérdésekre, ezután a vizsgáztatók osztályozzák a munkát. (Az előadás 7-10 perces legyen!)<br /> <br /> Ha nem megajánlott jegyre mész:<br /> A vizsga elősorban szóbeli, 3 témakört (melyből az első fixen a backpropagation) kellett papíron alaposan kidolgozni, majd ezekről szóban beszélni és kérdésekre válaszolni. Jó jegyhez alaposan kell tudni és érteni a dolgokat, gyakorlati szinten is! <br /> Pár főbb téma ami előfordulhat: convnet, VAE, GAN, RNN, BPTT, LSTM, hiperparaméter optimalizálás.<br /> <br /> == Tippek ==<br /> A tárgy oktatói mindenkit ösztönöznek a megajánlott jegy megszerzésére. Kis házi feladatokkal +1 jegyet lehet elérni. Az előadásokon kvíz kitöltésével plusz jegyet lehet elérni.<br /> <br /> == Verseny ==<br /> Az előadásokon Kahoot! verseny van, a legeredményesebb 5 hallgató a félév végén +1 jegyet kap.<br /> <br /> == Kedvcsináló ==<br /> <br /> ===2016/7===<br /> <br /> Izgalmas, cutting-edge technológiát mutat be, minden előadáson szánnak pár percet arra, hogy bemutassák az aktuális híreket. Viszont nehéz, van egy nagy házi, amit csapatosan kell megcsinálni és nagyon-nagyon sok időt elvesz. Nem lehet az utolsó hétre hagyni. A tárgyhonlapon van kint egy javaslat, hogy hány órát kell hetente a tárgyra szánni, az tényleg kell. De ha jó házit adsz be, akkor nem kell vizsgázni (egy ötös házit viszont büszkén lehet mutogatni).(NGD)<br /> <br /> ===2019/20===<br /> Ha érdekel a téma mindenképp érdemes felvenni, nagyon jó tárgy, jól előadva és szervezve. Előadásra és gyakorlatra is érdemes bejárni, egyrészt mert érdekes és sokat lehet tanulni, másrészt a diákból - ha nem voltál benn - utólagosan nem lehet megfelelően felkészülni. A nagyházi nehéz, főleg, hogy ha nincs tapasztalatod a területen és választasz egy izgalmas témát, foglamad sincs, mibe vered a fejszéd. Sok idő elmegy vele, de annál többet lehet vele tanulni. Összességében bátran ajánlom (de csak akkor ha tudod, hogy lesz időd vele foglalkozni)!<br /> <br /> [[Category:Valaszthato]]</div>

Gyurós Péter https://vik.wiki/index.php?title=Deep_Learning_a_gyakorlatban_Python_%C3%A9s_LUA_alapon&diff=198572 2020-01-19T17:36:40Z

<p>Gyurós Péter: /* 2019/20 */</p> <hr /> <div>{{Tantárgy<br /> | név = Deep Learning a gyakorlatban Python és LUA alapon<br /> | tárgykód = VITMAV45<br /> | kredit = 4<br /> | kereszt = ?<br /> | tanszék = TMIT<br /> | jelenlét = gyakorlaton min. 70%<br /> | minmunka = NHF + vizsga<br /> | labor = nincs<br /> | kiszh = nincs<br /> | nagyzh = nincs<br /> | hf = NHF + opcionális KHF-k<br /> | vizsga = írásbeli + szóbeli<br /> | levlista = [https://groups.google.com/forum/#!forum/vitmav45 Google Groups]<br /> | tad = https://portal.vik.bme.hu/kepzes/targyak/vitmav45<br /> | tárgyhonlap = http://smartlab.tmit.bme.hu/oktatas-deep-learning<br /> }}<br /> 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. A neuronháló mély rétegei a modellezni kívánt folyamat különböző, magas és alacsony szintű absztrakcióinak kinyerésére, osztályozására és predikciójára képesek. A mély tanuló rendszerek már a gépi beszéd- és látásfunkciók modellezésén túl alkalmasak például fordításra, zenei stílus automatikus osztályozására, felhasználói preferencia jóslására, felhasználó azonosítására, sőt, akár rajzolni és zenét komponálni is tudnak. Napjainkban már az olyan nagy cégek, mint a Google, Facebook, Amazon, IBM is egyre több technológiájukat helyezik deep learning alapokra. A tárgy gyakorlati problémák megoldásán keresztül tanítja meg a rendelkezésre álló, az iparban is széles körben használt két legfontosabb nyílt forráskódú mély tanuló keretrendszer, a Facebook által támogatott Torch (LUA) és a Theano (Python) programozását és az ezek széleskörű használatához szükséges elméleti alapokat. <br /> == Követelmények ==<br /> Gyakorlatok 70%-án való részvétel, amit jelenléti ívvel ellenőriznek is!<br /> Nagy házi feladat elkészítése és bemutatása.<br /> Vizsga(írásbeli és szóbeli).<br /> <br /> == Házi ==<br /> 3 fős csapatokban egy szabadon választott témából kell házi feladatot kidolgozni. A nagyházi megléte az aláírás feltétele! A házi mellé egy beszámoló dokumentumot is kell készíteni. Megfelelő minőségű és mennyiségű házi feladatért megajánlott jegy (4-es vagy 5-ös) jár. Megajánlott jegyhez kötelezően kell 2 mérföldkövet tartani!<br /> <br /> Összesen 5db szorgalmi kis házi kerül kiírásra a félév során. Egyenként 20 pontot lehet rájuk kapni, összesen 70%-ra +1 jegy jár. Érdemes velük foglalkozni, rengeteget lehet velük tanulni, fejlődni a témakörben.<br /> <br /> == Vizsga ==<br /> 2019 -<br /> A vizsgán megajánlott jegyért a nagyháziról szóló előadást kell megtartani, válaszolni kérdésekre, ezután a vizsgáztatók osztályozzák a munkát. (Az előadás 7-10 perces legyen!)<br /> <br /> Ha nem megajánlott jegyre mész:<br /> A vizsga elősorban szóbeli, 3 témakört (melyből az első fixen a backpropagation) kellett papíron alaposan kidolgozni, majd ezekről szóban beszélni és kérdésekre válaszolni. Jó jegyhez alaposan kell tudni és érteni a dolgokat, gyakorlati szinten is! <br /> Pár főbb téma ami előfordulhat: convnet, VAE, GAN, RNN, BPTT, LSTM, hiperparaméter optimalizálás.<br /> <br /> == Tippek ==<br /> A tárgy oktatói mindenkit ösztönöznek a megajánlott jegy megszerzésére. Kis házi feladatokkal +1 jegyet lehet elérni. Az előadásokon kvíz kitöltésével plusz jegyet lehet elérni.<br /> <br /> == Verseny ==<br /> Az előadásokon Kahoot! verseny van, a legeredményesebb 5 hallgató a félév végén +1 jegyet kap.<br /> <br /> == Kedvcsináló ==<br /> <br /> ===2016/7===<br /> <br /> Izgalmas, cutting-edge technológiát mutat be, minden előadáson szánnak pár percet arra, hogy bemutassák az aktuális híreket. Viszont nehéz, van egy nagy házi, amit csapatosan kell megcsinálni és nagyon-nagyon sok időt elvesz. Nem lehet az utolsó hétre hagyni. A tárgyhonlapon van kint egy javaslat, hogy hány órát kell hetente a tárgyra szánni, az tényleg kell. De ha jó házit adsz be, akkor nem kell vizsgázni (egy ötös házit viszont büszkén lehet mutogatni).(NGD)<br /> <br /> ===2019/20===<br /> Ha érdekel a téma mindenképp érdemes felvenni, nagyon jó tárgy, jól előadva és szervezve. Előadásra és gyakorlatra is érdemes bejárni, egyrészt mert érdekes és sokat lehet tanulni, másrészt a diákból - ha nem voltál benn - utólagosan nem lehet megfelelően felkészülni. A nagyházi nehéz, főleg, hogy ha nincs tapasztalatod a területen és választasz egy izgalmas témát, foglamad sincs, mibe vered a fejszéd. Sok idő elmegy vele, de annál többet lehet vele tanulni. Összességében bátran ajánlom (de csak akkor ha tudod, hogy lesz időd vele foglalkozni)!<br /> <br /> [[Category:Valaszthato]]</div>

Gyurós Péter https://vik.wiki/index.php?title=Deep_Learning_a_gyakorlatban_Python_%C3%A9s_LUA_alapon&diff=198571 2020-01-19T17:35:17Z

<p>Gyurós Péter: /* Kedvcsináló */</p> <hr /> <div>{{Tantárgy<br /> | név = Deep Learning a gyakorlatban Python és LUA alapon<br /> | tárgykód = VITMAV45<br /> | kredit = 4<br /> | kereszt = ?<br /> | tanszék = TMIT<br /> | jelenlét = gyakorlaton min. 70%<br /> | minmunka = NHF + vizsga<br /> | labor = nincs<br /> | kiszh = nincs<br /> | nagyzh = nincs<br /> | hf = NHF + opcionális KHF-k<br /> | vizsga = írásbeli + szóbeli<br /> | levlista = [https://groups.google.com/forum/#!forum/vitmav45 Google Groups]<br /> | tad = https://portal.vik.bme.hu/kepzes/targyak/vitmav45<br /> | tárgyhonlap = http://smartlab.tmit.bme.hu/oktatas-deep-learning<br /> }}<br /> 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. A neuronháló mély rétegei a modellezni kívánt folyamat különböző, magas és alacsony szintű absztrakcióinak kinyerésére, osztályozására és predikciójára képesek. A mély tanuló rendszerek már a gépi beszéd- és látásfunkciók modellezésén túl alkalmasak például fordításra, zenei stílus automatikus osztályozására, felhasználói preferencia jóslására, felhasználó azonosítására, sőt, akár rajzolni és zenét komponálni is tudnak. Napjainkban már az olyan nagy cégek, mint a Google, Facebook, Amazon, IBM is egyre több technológiájukat helyezik deep learning alapokra. A tárgy gyakorlati problémák megoldásán keresztül tanítja meg a rendelkezésre álló, az iparban is széles körben használt két legfontosabb nyílt forráskódú mély tanuló keretrendszer, a Facebook által támogatott Torch (LUA) és a Theano (Python) programozását és az ezek széleskörű használatához szükséges elméleti alapokat. <br /> == Követelmények ==<br /> Gyakorlatok 70%-án való részvétel, amit jelenléti ívvel ellenőriznek is!<br /> Nagy házi feladat elkészítése és bemutatása.<br /> Vizsga(írásbeli és szóbeli).<br /> <br /> == Házi ==<br /> 3 fős csapatokban egy szabadon választott témából kell házi feladatot kidolgozni. A nagyházi megléte az aláírás feltétele! A házi mellé egy beszámoló dokumentumot is kell készíteni. Megfelelő minőségű és mennyiségű házi feladatért megajánlott jegy (4-es vagy 5-ös) jár. Megajánlott jegyhez kötelezően kell 2 mérföldkövet tartani!<br /> <br /> Összesen 5db szorgalmi kis házi kerül kiírásra a félév során. Egyenként 20 pontot lehet rájuk kapni, összesen 70%-ra +1 jegy jár. Érdemes velük foglalkozni, rengeteget lehet velük tanulni, fejlődni a témakörben.<br /> <br /> == Vizsga ==<br /> 2019 -<br /> A vizsgán megajánlott jegyért a nagyháziról szóló előadást kell megtartani, válaszolni kérdésekre, ezután a vizsgáztatók osztályozzák a munkát. (Az előadás 7-10 perces legyen!)<br /> <br /> Ha nem megajánlott jegyre mész:<br /> A vizsga elősorban szóbeli, 3 témakört (melyből az első fixen a backpropagation) kellett papíron alaposan kidolgozni, majd ezekről szóban beszélni és kérdésekre válaszolni. Jó jegyhez alaposan kell tudni és érteni a dolgokat, gyakorlati szinten is! <br /> Pár főbb téma ami előfordulhat: convnet, VAE, GAN, RNN, BPTT, LSTM, hiperparaméter optimalizálás.<br /> <br /> == Tippek ==<br /> A tárgy oktatói mindenkit ösztönöznek a megajánlott jegy megszerzésére. Kis házi feladatokkal +1 jegyet lehet elérni. Az előadásokon kvíz kitöltésével plusz jegyet lehet elérni.<br /> <br /> == Verseny ==<br /> Az előadásokon Kahoot! verseny van, a legeredményesebb 5 hallgató a félév végén +1 jegyet kap.<br /> <br /> == Kedvcsináló ==<br /> <br /> ===2016/7===<br /> <br /> Izgalmas, cutting-edge technológiát mutat be, minden előadáson szánnak pár percet arra, hogy bemutassák az aktuális híreket. Viszont nehéz, van egy nagy házi, amit csapatosan kell megcsinálni és nagyon-nagyon sok időt elvesz. Nem lehet az utolsó hétre hagyni. A tárgyhonlapon van kint egy javaslat, hogy hány órát kell hetente a tárgyra szánni, az tényleg kell. De ha jó házit adsz be, akkor nem kell vizsgázni (egy ötös házit viszont büszkén lehet mutogatni).(NGD)<br /> <br /> ===2019/20===<br /> Ha érdekel a téma mindenképp érdemes felvenni, nagyon jó tárgy, jól előadva és szervezve. Előadásra és gyakorlatra is érdemes bejárni, egyrészt mert érdekes és sokat lehet tanulni, másrészt a diákból - ha nem voltál benn - utólagosan nem lehet megfelelően felkészülni. A nagyházi nehéz, főleg, hogy ha nincs tapasztalatod a területen és választasz egy izgalmas témát, foglamad sincs, mibe vered a fejszéd. Sok idő elmegy vele, de annál többet lehet vele tanulni.<br /> <br /> [[Category:Valaszthato]]</div>

Gyurós Péter https://vik.wiki/index.php?title=Deep_Learning_a_gyakorlatban_Python_%C3%A9s_LUA_alapon&diff=198570 2020-01-19T17:27:31Z

<p>Gyurós Péter: /* Tippek */</p> <hr /> <div>{{Tantárgy<br /> | név = Deep Learning a gyakorlatban Python és LUA alapon<br /> | tárgykód = VITMAV45<br /> | kredit = 4<br /> | kereszt = ?<br /> | tanszék = TMIT<br /> | jelenlét = gyakorlaton min. 70%<br /> | minmunka = NHF + vizsga<br /> | labor = nincs<br /> | kiszh = nincs<br /> | nagyzh = nincs<br /> | hf = NHF + opcionális KHF-k<br /> | vizsga = írásbeli + szóbeli<br /> | levlista = [https://groups.google.com/forum/#!forum/vitmav45 Google Groups]<br /> | tad = https://portal.vik.bme.hu/kepzes/targyak/vitmav45<br /> | tárgyhonlap = http://smartlab.tmit.bme.hu/oktatas-deep-learning<br /> }}<br /> 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. A neuronháló mély rétegei a modellezni kívánt folyamat különböző, magas és alacsony szintű absztrakcióinak kinyerésére, osztályozására és predikciójára képesek. A mély tanuló rendszerek már a gépi beszéd- és látásfunkciók modellezésén túl alkalmasak például fordításra, zenei stílus automatikus osztályozására, felhasználói preferencia jóslására, felhasználó azonosítására, sőt, akár rajzolni és zenét komponálni is tudnak. Napjainkban már az olyan nagy cégek, mint a Google, Facebook, Amazon, IBM is egyre több technológiájukat helyezik deep learning alapokra. A tárgy gyakorlati problémák megoldásán keresztül tanítja meg a rendelkezésre álló, az iparban is széles körben használt két legfontosabb nyílt forráskódú mély tanuló keretrendszer, a Facebook által támogatott Torch (LUA) és a Theano (Python) programozását és az ezek széleskörű használatához szükséges elméleti alapokat. <br /> == Követelmények ==<br /> Gyakorlatok 70%-án való részvétel, amit jelenléti ívvel ellenőriznek is!<br /> Nagy házi feladat elkészítése és bemutatása.<br /> Vizsga(írásbeli és szóbeli).<br /> <br /> == Házi ==<br /> 3 fős csapatokban egy szabadon választott témából kell házi feladatot kidolgozni. A nagyházi megléte az aláírás feltétele! A házi mellé egy beszámoló dokumentumot is kell készíteni. Megfelelő minőségű és mennyiségű házi feladatért megajánlott jegy (4-es vagy 5-ös) jár. Megajánlott jegyhez kötelezően kell 2 mérföldkövet tartani!<br /> <br /> Összesen 5db szorgalmi kis házi kerül kiírásra a félév során. Egyenként 20 pontot lehet rájuk kapni, összesen 70%-ra +1 jegy jár. Érdemes velük foglalkozni, rengeteget lehet velük tanulni, fejlődni a témakörben.<br /> <br /> == Vizsga ==<br /> 2019 -<br /> A vizsgán megajánlott jegyért a nagyháziról szóló előadást kell megtartani, válaszolni kérdésekre, ezután a vizsgáztatók osztályozzák a munkát. (Az előadás 7-10 perces legyen!)<br /> <br /> Ha nem megajánlott jegyre mész:<br /> A vizsga elősorban szóbeli, 3 témakört (melyből az első fixen a backpropagation) kellett papíron alaposan kidolgozni, majd ezekről szóban beszélni és kérdésekre válaszolni. Jó jegyhez alaposan kell tudni és érteni a dolgokat, gyakorlati szinten is! <br /> Pár főbb téma ami előfordulhat: convnet, VAE, GAN, RNN, BPTT, LSTM, hiperparaméter optimalizálás.<br /> <br /> == Tippek ==<br /> A tárgy oktatói mindenkit ösztönöznek a megajánlott jegy megszerzésére. Kis házi feladatokkal +1 jegyet lehet elérni. Az előadásokon kvíz kitöltésével plusz jegyet lehet elérni.<br /> <br /> == Verseny ==<br /> Az előadásokon Kahoot! verseny van, a legeredményesebb 5 hallgató a félév végén +1 jegyet kap.<br /> <br /> == Kedvcsináló ==<br /> <br /> ===2016/7===<br /> <br /> Izgalmas, cutting-edge technológiát mutat be, minden előadáson szánnak pár percet arra, hogy bemutassák az aktuális híreket. Viszont nehéz, van egy nagy házi, amit csapatosan kell megcsinálni és nagyon-nagyon sok időt elvesz. Nem lehet az utolsó hétre hagyni. A tárgyhonlapon van kint egy javaslat, hogy hány órát kell hetente a tárgyra szánni, az tényleg kell. De ha jó házit adsz be, akkor nem kell vizsgázni (egy ötös házit viszont büszkén lehet mutogatni).(NGD)<br /> <br /> [[Category:Valaszthato]]</div>

Gyurós Péter https://vik.wiki/index.php?title=Deep_Learning_a_gyakorlatban_Python_%C3%A9s_LUA_alapon&diff=198569 2020-01-19T17:26:11Z

<p>Gyurós Péter: /* Házi */</p> <hr /> <div>{{Tantárgy<br /> | név = Deep Learning a gyakorlatban Python és LUA alapon<br /> | tárgykód = VITMAV45<br /> | kredit = 4<br /> | kereszt = ?<br /> | tanszék = TMIT<br /> | jelenlét = gyakorlaton min. 70%<br /> | minmunka = NHF + vizsga<br /> | labor = nincs<br /> | kiszh = nincs<br /> | nagyzh = nincs<br /> | hf = NHF + opcionális KHF-k<br /> | vizsga = írásbeli + szóbeli<br /> | levlista = [https://groups.google.com/forum/#!forum/vitmav45 Google Groups]<br /> | tad = https://portal.vik.bme.hu/kepzes/targyak/vitmav45<br /> | tárgyhonlap = http://smartlab.tmit.bme.hu/oktatas-deep-learning<br /> }}<br /> 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. A neuronháló mély rétegei a modellezni kívánt folyamat különböző, magas és alacsony szintű absztrakcióinak kinyerésére, osztályozására és predikciójára képesek. A mély tanuló rendszerek már a gépi beszéd- és látásfunkciók modellezésén túl alkalmasak például fordításra, zenei stílus automatikus osztályozására, felhasználói preferencia jóslására, felhasználó azonosítására, sőt, akár rajzolni és zenét komponálni is tudnak. Napjainkban már az olyan nagy cégek, mint a Google, Facebook, Amazon, IBM is egyre több technológiájukat helyezik deep learning alapokra. A tárgy gyakorlati problémák megoldásán keresztül tanítja meg a rendelkezésre álló, az iparban is széles körben használt két legfontosabb nyílt forráskódú mély tanuló keretrendszer, a Facebook által támogatott Torch (LUA) és a Theano (Python) programozását és az ezek széleskörű használatához szükséges elméleti alapokat. <br /> == Követelmények ==<br /> Gyakorlatok 70%-án való részvétel, amit jelenléti ívvel ellenőriznek is!<br /> Nagy házi feladat elkészítése és bemutatása.<br /> Vizsga(írásbeli és szóbeli).<br /> <br /> == Házi ==<br /> 3 fős csapatokban egy szabadon választott témából kell házi feladatot kidolgozni. A nagyházi megléte az aláírás feltétele! A házi mellé egy beszámoló dokumentumot is kell készíteni. Megfelelő minőségű és mennyiségű házi feladatért megajánlott jegy (4-es vagy 5-ös) jár. Megajánlott jegyhez kötelezően kell 2 mérföldkövet tartani!<br /> <br /> Összesen 5db szorgalmi kis házi kerül kiírásra a félév során. Egyenként 20 pontot lehet rájuk kapni, összesen 70%-ra +1 jegy jár. Érdemes velük foglalkozni, rengeteget lehet velük tanulni, fejlődni a témakörben.<br /> <br /> == Vizsga ==<br /> 2019 -<br /> A vizsgán megajánlott jegyért a nagyháziról szóló előadást kell megtartani, válaszolni kérdésekre, ezután a vizsgáztatók osztályozzák a munkát. (Az előadás 7-10 perces legyen!)<br /> <br /> Ha nem megajánlott jegyre mész:<br /> A vizsga elősorban szóbeli, 3 témakört (melyből az első fixen a backpropagation) kellett papíron alaposan kidolgozni, majd ezekről szóban beszélni és kérdésekre válaszolni. Jó jegyhez alaposan kell tudni és érteni a dolgokat, gyakorlati szinten is! <br /> Pár főbb téma ami előfordulhat: convnet, VAE, GAN, RNN, BPTT, LSTM, hiperparaméter optimalizálás.<br /> <br /> == Tippek ==<br /> A tárgy oktatói mindenkit ösztönöznek a megajánlott jegy megszerzésére. Kis házi feladatokkal +1 jegyet lehet elérni. Az előadásokon kvíz kitöltésével plusz jegyet lehet elérni<br /> <br /> == Verseny ==<br /> Az előadásokon Kahoot! verseny van, a legeredményesebb 5 hallgató a félév végén +1 jegyet kap.<br /> <br /> == Kedvcsináló ==<br /> <br /> ===2016/7===<br /> <br /> Izgalmas, cutting-edge technológiát mutat be, minden előadáson szánnak pár percet arra, hogy bemutassák az aktuális híreket. Viszont nehéz, van egy nagy házi, amit csapatosan kell megcsinálni és nagyon-nagyon sok időt elvesz. Nem lehet az utolsó hétre hagyni. A tárgyhonlapon van kint egy javaslat, hogy hány órát kell hetente a tárgyra szánni, az tényleg kell. De ha jó házit adsz be, akkor nem kell vizsgázni (egy ötös házit viszont büszkén lehet mutogatni).(NGD)<br /> <br /> [[Category:Valaszthato]]</div>

Gyurós Péter https://vik.wiki/index.php?title=Deep_Learning_a_gyakorlatban_Python_%C3%A9s_LUA_alapon&diff=198568 2020-01-19T17:19:15Z

<p>Gyurós Péter: /* Vizsga */</p> <hr /> <div>{{Tantárgy<br /> | név = Deep Learning a gyakorlatban Python és LUA alapon<br /> | tárgykód = VITMAV45<br /> | kredit = 4<br /> | kereszt = ?<br /> | tanszék = TMIT<br /> | jelenlét = gyakorlaton min. 70%<br /> | minmunka = NHF + vizsga<br /> | labor = nincs<br /> | kiszh = nincs<br /> | nagyzh = nincs<br /> | hf = NHF + opcionális KHF-k<br /> | vizsga = írásbeli + szóbeli<br /> | levlista = [https://groups.google.com/forum/#!forum/vitmav45 Google Groups]<br /> | tad = https://portal.vik.bme.hu/kepzes/targyak/vitmav45<br /> | tárgyhonlap = http://smartlab.tmit.bme.hu/oktatas-deep-learning<br /> }}<br /> 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. A neuronháló mély rétegei a modellezni kívánt folyamat különböző, magas és alacsony szintű absztrakcióinak kinyerésére, osztályozására és predikciójára képesek. A mély tanuló rendszerek már a gépi beszéd- és látásfunkciók modellezésén túl alkalmasak például fordításra, zenei stílus automatikus osztályozására, felhasználói preferencia jóslására, felhasználó azonosítására, sőt, akár rajzolni és zenét komponálni is tudnak. Napjainkban már az olyan nagy cégek, mint a Google, Facebook, Amazon, IBM is egyre több technológiájukat helyezik deep learning alapokra. A tárgy gyakorlati problémák megoldásán keresztül tanítja meg a rendelkezésre álló, az iparban is széles körben használt két legfontosabb nyílt forráskódú mély tanuló keretrendszer, a Facebook által támogatott Torch (LUA) és a Theano (Python) programozását és az ezek széleskörű használatához szükséges elméleti alapokat. <br /> == Követelmények ==<br /> Gyakorlatok 70%-án való részvétel, amit jelenléti ívvel ellenőriznek is!<br /> Nagy házi feladat elkészítése és bemutatása.<br /> Vizsga(írásbeli és szóbeli).<br /> <br /> == Házi ==<br /> 4-5 fős csapatokban választott témából kell házi feladatot kidolgozni. Megfelelő minőségű és mennyiségű házi feladatért megajánlott 4-es, 5-ös jár.<br /> <br /> 2-3 hetente szorgalmi kis házik kerülnek kiírásra. A kis házik legalább 70%-os teljesítése +1 jegyet jelent az év végi osztályzatban.<br /> == Vizsga ==<br /> 2019 -<br /> A vizsgán megajánlott jegyért a nagyháziról szóló előadást kell megtartani, válaszolni kérdésekre, ezután a vizsgáztatók osztályozzák a munkát. (Az előadás 7-10 perces legyen!)<br /> <br /> Ha nem megajánlott jegyre mész:<br /> A vizsga elősorban szóbeli, 3 témakört (melyből az első fixen a backpropagation) kellett papíron alaposan kidolgozni, majd ezekről szóban beszélni és kérdésekre válaszolni. Jó jegyhez alaposan kell tudni és érteni a dolgokat, gyakorlati szinten is! <br /> Pár főbb téma ami előfordulhat: convnet, VAE, GAN, RNN, BPTT, LSTM, hiperparaméter optimalizálás.<br /> <br /> == Tippek ==<br /> A tárgy oktatói mindenkit ösztönöznek a megajánlott jegy megszerzésére. Kis házi feladatokkal +1 jegyet lehet elérni. Az előadásokon kvíz kitöltésével plusz jegyet lehet elérni<br /> <br /> == Verseny ==<br /> Az előadásokon Kahoot! verseny van, a legeredményesebb 5 hallgató a félév végén +1 jegyet kap.<br /> <br /> == Kedvcsináló ==<br /> <br /> ===2016/7===<br /> <br /> Izgalmas, cutting-edge technológiát mutat be, minden előadáson szánnak pár percet arra, hogy bemutassák az aktuális híreket. Viszont nehéz, van egy nagy házi, amit csapatosan kell megcsinálni és nagyon-nagyon sok időt elvesz. Nem lehet az utolsó hétre hagyni. A tárgyhonlapon van kint egy javaslat, hogy hány órát kell hetente a tárgyra szánni, az tényleg kell. De ha jó házit adsz be, akkor nem kell vizsgázni (egy ötös házit viszont büszkén lehet mutogatni).(NGD)<br /> <br /> [[Category:Valaszthato]]</div>

Gyurós Péter https://vik.wiki/index.php?title=Deep_Learning_a_gyakorlatban_Python_%C3%A9s_LUA_alapon&diff=198567 2020-01-19T17:08:18Z

<p>Gyurós Péter: /* Követelmények */</p> <hr /> <div>{{Tantárgy<br /> | név = Deep Learning a gyakorlatban Python és LUA alapon<br /> | tárgykód = VITMAV45<br /> | kredit = 4<br /> | kereszt = ?<br /> | tanszék = TMIT<br /> | jelenlét = gyakorlaton min. 70%<br /> | minmunka = NHF + vizsga<br /> | labor = nincs<br /> | kiszh = nincs<br /> | nagyzh = nincs<br /> | hf = NHF + opcionális KHF-k<br /> | vizsga = írásbeli + szóbeli<br /> | levlista = [https://groups.google.com/forum/#!forum/vitmav45 Google Groups]<br /> | tad = https://portal.vik.bme.hu/kepzes/targyak/vitmav45<br /> | tárgyhonlap = http://smartlab.tmit.bme.hu/oktatas-deep-learning<br /> }}<br /> 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. A neuronháló mély rétegei a modellezni kívánt folyamat különböző, magas és alacsony szintű absztrakcióinak kinyerésére, osztályozására és predikciójára képesek. A mély tanuló rendszerek már a gépi beszéd- és látásfunkciók modellezésén túl alkalmasak például fordításra, zenei stílus automatikus osztályozására, felhasználói preferencia jóslására, felhasználó azonosítására, sőt, akár rajzolni és zenét komponálni is tudnak. Napjainkban már az olyan nagy cégek, mint a Google, Facebook, Amazon, IBM is egyre több technológiájukat helyezik deep learning alapokra. A tárgy gyakorlati problémák megoldásán keresztül tanítja meg a rendelkezésre álló, az iparban is széles körben használt két legfontosabb nyílt forráskódú mély tanuló keretrendszer, a Facebook által támogatott Torch (LUA) és a Theano (Python) programozását és az ezek széleskörű használatához szükséges elméleti alapokat. <br /> == Követelmények ==<br /> Gyakorlatok 70%-án való részvétel, amit jelenléti ívvel ellenőriznek is!<br /> Nagy házi feladat elkészítése és bemutatása.<br /> Vizsga(írásbeli és szóbeli).<br /> <br /> == Házi ==<br /> 4-5 fős csapatokban választott témából kell házi feladatot kidolgozni. Megfelelő minőségű és mennyiségű házi feladatért megajánlott 4-es, 5-ös jár.<br /> <br /> 2-3 hetente szorgalmi kis házik kerülnek kiírásra. A kis házik legalább 70%-os teljesítése +1 jegyet jelent az év végi osztályzatban.<br /> == Vizsga ==<br /> Írásbeli és szóbeli<br /> <br /> == Tippek ==<br /> A tárgy oktatói mindenkit ösztönöznek a megajánlott jegy megszerzésére. Kis házi feladatokkal +1 jegyet lehet elérni. Az előadásokon kvíz kitöltésével plusz jegyet lehet elérni<br /> <br /> == Verseny ==<br /> Az előadásokon Kahoot! verseny van, a legeredményesebb 5 hallgató a félév végén +1 jegyet kap.<br /> <br /> == Kedvcsináló ==<br /> <br /> ===2016/7===<br /> <br /> Izgalmas, cutting-edge technológiát mutat be, minden előadáson szánnak pár percet arra, hogy bemutassák az aktuális híreket. Viszont nehéz, van egy nagy házi, amit csapatosan kell megcsinálni és nagyon-nagyon sok időt elvesz. Nem lehet az utolsó hétre hagyni. A tárgyhonlapon van kint egy javaslat, hogy hány órát kell hetente a tárgyra szánni, az tényleg kell. De ha jó házit adsz be, akkor nem kell vizsgázni (egy ötös házit viszont büszkén lehet mutogatni).(NGD)<br /> <br /> [[Category:Valaszthato]]</div>

Gyurós Péter https://vik.wiki/index.php?title=Laborat%C3%B3rium_1_-_4._M%C3%A9r%C3%A9s:_Frekvenciatartom%C3%A1nybeli_jelanal%C3%ADzis&diff=198182 2019-12-12T17:46:56Z

<p>Gyurós Péter: /* Házihoz segítség */</p> <hr /> <div>{{Vissza|Laboratórium 1}}<br /> <br /> __TOC__<br /> <br /> == A mérésről ==<br /> <br /> A beugró nem volt gáz fel kellett írni &lt;math&gt; \mathfrak{F}\{f(t-T)\}&lt;/math&gt; , &lt;math&gt;\mathfrak{F}\{f(t)*g(t)\}&lt;/math&gt; , &lt;math&gt; \mathfrak{F}\{\frac{\mathrm{d}f(t)}{\mathrm{d}t}\} &lt;/math&gt; ''Fourier-transzformáltakat'', illetve plusz feladatként egy négyszögimpulzus deriváltját kellett lerajzolni. A mérésvezetők abszolút segítőkészek voltak, a mérés végén mérőcsoportonként személyesen átnézték a jegyzőkönyvet, ahol hiba volt ott kérdezgettek.<br /> <br /> === A méréshez segítség ===<br /> '''1. Oszcilloszkóp FFT módja'''<br /> * [Math] &gt;&gt; [FFT] gombokkal<br /> * Periódikus jel felharmónikusainak mérésénél a számított érték (többek között) azért fog eltérni a mért értéktől, mert fehér zaj van jelen, illetve a generátor sem tökéletes jelalakot ad ki. <br /> * Periódikus jel felharmónikusainak számítása komplex [http://en.wikipedia.org/wiki/Fourier_series Fourier-sor] együtthatókból (csak mert ez pl nincs benne a Fodor: Hálózatok és Rendszerek c. jegyzet 211 oldala környékén, és sztem hasznos) , azaz &lt;math&gt; \bar U_k = \frac{1} {{T }}\int\limits_{ 0 }^T {u(t)e^{ - jk \omega t} dt} &lt;/math&gt; -ból, ahol<br /> <br /> &lt;math&gt; \bar U_k = \bar U_{ - k}^ * = \frac{{U_{Ak} + jU_{Bk} }}<br /> {2} \Leftrightarrow \left\{ \begin{matrix} U_{Ak} = \bar U_k + \bar U_{ - k} \hfill \\ U_{Bk} = j(\bar U_k - \bar U_{ - k} ) \hfill \end{matrix} \right\} \Leftrightarrow u(t) = \frac{{\bar U_0 }} {2} + \sum\limits_{k &gt; 0} {\left( {U_{Ak} \cos (nt) + U_{Bk} \sin (n\omega t)} \right)} &lt;/math&gt; .&lt;br&gt; <br /> <br /> A felharmonikusok sora &lt;math&gt; U_k = \left| {\bar U_{k} } \right| = \frac{\sqrt{U_{Ak}^2 + U_{Bk}^2 }}{2} &lt;/math&gt; .<br /> <br /> Adott jelek felharmonikusai:<br /> <br /> {| class=&quot;wikitable&quot; border=&quot;1&quot;<br /> |-<br /> ! U amplitudójú !! &lt;math&gt; U_Ak &lt;/math&gt; !! &lt;math&gt; U_Bk &lt;/math&gt; <br /> |-<br /> |[http://mathworld.wolfram.com/FourierSeriesSquareWave.html négyszög]|| &lt;math&gt; 0 &lt;/math&gt; || &lt;math&gt; 2\cdot U\frac{1 - (-1)^{k} }{k \pi} &lt;/math&gt; , ahol k páratlan <br /> |-<br /> |[http://mathworld.wolfram.com/FourierSeriesTriangleWave.html háromszög]|| &lt;math&gt; 0 &lt;/math&gt; || &lt;math&gt; U\frac{8\cdot (-1)^{\frac{k-1}{2}} }{k^2 \cdot \pi^2} &lt;/math&gt; , ahol k páratlan <br /> |-<br /> |[http://mathworld.wolfram.com/FourierSeriesSawtoothWave.html fűrész]||&lt;math&gt; 0 &lt;/math&gt;||&lt;math&gt; -\frac{1}{k\pi} &lt;/math&gt;<br /> |}<br /> <br /> <br /> '''2. Periódikus jel spektruma'''<br /> <br /> * Függvénygenerátoron: [Square] &gt;&gt; [DutyCycle] (Az impulzus kitöltési tényezőjét mutatja)<br /> * Fourier-transzofmált<br /> &lt;math&gt; \left| {U(j\omega )} \right| = \left| {\int\limits_{ - \infty }^\infty {u(t)e^{ - j\omega t} dt} } \right| = \left| {\int\limits_0^\tau {e^{ - j\omega t} dt} } \right| = \left| {\frac{{e^{j\omega \tau } - e^{ - j\omega \tau } }}{{j\omega }}} \right| = 2\tau \frac{{\sin \omega \tau}}{{\omega \tau }} = 2 \tau sinc \omega \tau &lt;/math&gt;<br /> * A kitöltési tényező, azaz &lt;math&gt; \frac{\tau}T&lt;/math&gt; növelésével közelíthetünk a periódikus négyszögjel vonalas spekrumához. <br /> <br /> '''3. Szűrő vizsgálata oszcilloszkóppal'''<br /> <br /> * Alul-/felüláteresztő szűrő határfrekvenciája (ahol &lt;math&gt;-3dB&lt;/math&gt;, azaz &lt;math&gt;\frac{1}{\sqrt{2}}&lt;/math&gt;-szeres az erősítése): &lt;math&gt; f_c = \frac{1}{2 \pi RC}&lt;/math&gt;<br /> * [Mode/Coulping] &gt;&gt; [DC]/[AC] esetén DC/AC-csatolt az oszcilloszkóp, így a bemenete modellezhető egy elsőfokú alul-/felüláteresztő szűrővel. <br /> <br /> '''4. Átviteli karakerisztika digitális multiméter'''<br /> <br /> * érdemes &lt;math&gt;0,1 f_c &lt; f &lt; 10 f_c &lt;/math&gt; frekvenciákon mérni (logaritmikus [1,2,5] léptékben)<br /> * a DMM [AC V] gombja után dB kijelzésre a [Shift] &gt;&gt; [Null/dB] gomb, majd aluláteresztő szűrő esetén kis frekvencián nullázni a [Null/dB] gombbal (ezzel beállítottuk a dB skála referenciaszintjét)<br /> <br /> '''5. széles sávú gerjesztés'''<br /> <br /> * A multisinus egy olyan szinuszos függvény, aminek a frekvenciája lineárisan nő (adott értéktől adott értékig), tehát ez egy szélessávú jel. [A &lt;math&gt; sinc (\Omega t) &lt;/math&gt; függvény is szélessávú [Arb] &gt;&gt; [Sinc], ennek Fourier-transzformáltja egy &lt;math&gt; \frac{\pi}{\Omega}\epsilon(\omega + \Omega) - epsilon(\omega \Omega) &lt;/math&gt; &quot;frekvencia-ablak&quot;, amit egy szűrő &quot;összenyom&quot;]. A függvénygenerátor [Sine] jelalakjának frekvenciasöprésének tartományát [Sweep] módban állíthatjuk be. (másik vélemény: nekünk nem fogadták el a sweepet, hanem ''Arg'' módban kellett használni a a függvénygenerátort) _<br /> * Ismét a referenciaszint (az oszcilloszkóp bal oldalán lévő legmagasabb érték) &lt;math&gt; \sqrt 2 &lt;/math&gt; -edéhez tartozó frekvenciát kell keresni aluláteresztő szűrő esetén (felül.á.sz. esetén a jobboldalon van a referenciaszint). <br /> * A legnagyobb hibát a leolvasás okozhatja, emellett az átvitel hibája sem tökéletes, ahogy a függvénygenerátor sem az. <br /> <br /> '''6. szinuszjel &quot;torzítása&quot; oszcilloszkópon'''<br /> <br /> * Ha az oszcilloszkóp nincsen túlvezérelve, azaz a függőleges érzékenység akkora, hogy a jel a képernyőből nem lóg ki, akkor a szinuszjel alapharmónikus frekvenciájánál jól látható a kiemelkedés, ettől eltérő frekvencián pedig a hozzá képest elhanyagolható zaj. Ha a szinuszjelet torzítjuk (pusztán a V/div csökkentésével, azaz nem a jelet torzítjuk, hanem a kijelzést), a jel egyre kezd hasonlítani a négyszögjelhez. Így a spektrumja is kénytelen lesz a négyszögjel spektrumához közelíteni, hiszen az oszcilloszkóp az általa kijelzett jelből számítja FFT segítségével a spektrumot. A spektrum az 1/f -es vonalas spektrumhoz tart.<br /> <br /> == Házihoz segítség ==<br /> * FONTOS!!! Bármilyen szimmetrikus jelet DC komponens nélkül kell ábrázolni és számolni vele, emiatt az itt található kidolgozás sem jó ebből a szempontból. &lt;small&gt;(azaz pl a négyszögjelnél [1,0] értékek helyett [1,-1] kell, és amúgy matlab kódok komplett copypaste-elése nem ajánlott)&lt;/small&gt; ÉS pl. fűrészfog jelnél a függvény az 1, -1 pontokban nem értelmezett!<br /> * [[Media:Labor1_mérés4_házi1.pdf‎|Kidolgozott házi feladat]]<br /> * [http://www.hobbielektronika.hu/cikkek/fourier_transzformacio.html?pg=5&amp;Submit=%3E%3E DFT-s házihoz]<br /> <br /> ''' 2015 ősz tapasztalatai:'''<br /> * a tárgyhonlapon lévő DFT programmal érdemes számolni<br /> * A jeleket [-1;1] értékek között kell felvenni, nem pedig [0;1] közt<br /> * ( [-0.5;0.5] is megfelel és hasonlók, lényeg hogy ne legyen benne offset )<br /> * Ábrákon ne hiányozzon a tengelyek elnevezése, negatív frekvenciatartomány lehetőleg ne legyen<br /> * Elfogadott házi : [[Media:Labor1_meres4_151110.pdf‎|Feladat]] [[Media:Labor1_hazi4_151110.pdf‎|Megoldás]]<br /> <br /> == Beugró kérdések kidolgozása ==<br /> <br /> *[[Media:labor1_mérés4_ellekérdések.pdf|Ellenőrző kérdések kidolgozása]]<br /> *[[Media:4meres_ellenorzo_kerdesek.pdf|Ellenőrző kérdések egy másik kidolgozása]]<br /> Beugróban az elemi jelek spektrumának felrajzolásánál nem elegendő csak a burkológörbe!<br /> <br /> == Egyéb ==<br /> *[[Media:Négyszögjel Háromszögjel felharmonikusai.pdf|A 4.2 méréshez kiszámított szimmetrikus négy- és háromszögjelek első tíz felharmonikusai]]<br /> <br /> [[Kategória:Villamosmérnök]]</div>

Gyurós Péter https://vik.wiki/index.php?title=Laborat%C3%B3rium_1_-_4._M%C3%A9r%C3%A9s:_Frekvenciatartom%C3%A1nybeli_jelanal%C3%ADzis&diff=198181 2019-12-12T17:45:27Z

<p>Gyurós Péter: /* Beugró kérdések kidolgozása */</p> <hr /> <div>{{Vissza|Laboratórium 1}}<br /> <br /> __TOC__<br /> <br /> == A mérésről ==<br /> <br /> A beugró nem volt gáz fel kellett írni &lt;math&gt; \mathfrak{F}\{f(t-T)\}&lt;/math&gt; , &lt;math&gt;\mathfrak{F}\{f(t)*g(t)\}&lt;/math&gt; , &lt;math&gt; \mathfrak{F}\{\frac{\mathrm{d}f(t)}{\mathrm{d}t}\} &lt;/math&gt; ''Fourier-transzformáltakat'', illetve plusz feladatként egy négyszögimpulzus deriváltját kellett lerajzolni. A mérésvezetők abszolút segítőkészek voltak, a mérés végén mérőcsoportonként személyesen átnézték a jegyzőkönyvet, ahol hiba volt ott kérdezgettek.<br /> <br /> === A méréshez segítség ===<br /> '''1. Oszcilloszkóp FFT módja'''<br /> * [Math] &gt;&gt; [FFT] gombokkal<br /> * Periódikus jel felharmónikusainak mérésénél a számított érték (többek között) azért fog eltérni a mért értéktől, mert fehér zaj van jelen, illetve a generátor sem tökéletes jelalakot ad ki. <br /> * Periódikus jel felharmónikusainak számítása komplex [http://en.wikipedia.org/wiki/Fourier_series Fourier-sor] együtthatókból (csak mert ez pl nincs benne a Fodor: Hálózatok és Rendszerek c. jegyzet 211 oldala környékén, és sztem hasznos) , azaz &lt;math&gt; \bar U_k = \frac{1} {{T }}\int\limits_{ 0 }^T {u(t)e^{ - jk \omega t} dt} &lt;/math&gt; -ból, ahol<br /> <br /> &lt;math&gt; \bar U_k = \bar U_{ - k}^ * = \frac{{U_{Ak} + jU_{Bk} }}<br /> {2} \Leftrightarrow \left\{ \begin{matrix} U_{Ak} = \bar U_k + \bar U_{ - k} \hfill \\ U_{Bk} = j(\bar U_k - \bar U_{ - k} ) \hfill \end{matrix} \right\} \Leftrightarrow u(t) = \frac{{\bar U_0 }} {2} + \sum\limits_{k &gt; 0} {\left( {U_{Ak} \cos (nt) + U_{Bk} \sin (n\omega t)} \right)} &lt;/math&gt; .&lt;br&gt; <br /> <br /> A felharmonikusok sora &lt;math&gt; U_k = \left| {\bar U_{k} } \right| = \frac{\sqrt{U_{Ak}^2 + U_{Bk}^2 }}{2} &lt;/math&gt; .<br /> <br /> Adott jelek felharmonikusai:<br /> <br /> {| class=&quot;wikitable&quot; border=&quot;1&quot;<br /> |-<br /> ! U amplitudójú !! &lt;math&gt; U_Ak &lt;/math&gt; !! &lt;math&gt; U_Bk &lt;/math&gt; <br /> |-<br /> |[http://mathworld.wolfram.com/FourierSeriesSquareWave.html négyszög]|| &lt;math&gt; 0 &lt;/math&gt; || &lt;math&gt; 2\cdot U\frac{1 - (-1)^{k} }{k \pi} &lt;/math&gt; , ahol k páratlan <br /> |-<br /> |[http://mathworld.wolfram.com/FourierSeriesTriangleWave.html háromszög]|| &lt;math&gt; 0 &lt;/math&gt; || &lt;math&gt; U\frac{8\cdot (-1)^{\frac{k-1}{2}} }{k^2 \cdot \pi^2} &lt;/math&gt; , ahol k páratlan <br /> |-<br /> |[http://mathworld.wolfram.com/FourierSeriesSawtoothWave.html fűrész]||&lt;math&gt; 0 &lt;/math&gt;||&lt;math&gt; -\frac{1}{k\pi} &lt;/math&gt;<br /> |}<br /> <br /> <br /> '''2. Periódikus jel spektruma'''<br /> <br /> * Függvénygenerátoron: [Square] &gt;&gt; [DutyCycle] (Az impulzus kitöltési tényezőjét mutatja)<br /> * Fourier-transzofmált<br /> &lt;math&gt; \left| {U(j\omega )} \right| = \left| {\int\limits_{ - \infty }^\infty {u(t)e^{ - j\omega t} dt} } \right| = \left| {\int\limits_0^\tau {e^{ - j\omega t} dt} } \right| = \left| {\frac{{e^{j\omega \tau } - e^{ - j\omega \tau } }}{{j\omega }}} \right| = 2\tau \frac{{\sin \omega \tau}}{{\omega \tau }} = 2 \tau sinc \omega \tau &lt;/math&gt;<br /> * A kitöltési tényező, azaz &lt;math&gt; \frac{\tau}T&lt;/math&gt; növelésével közelíthetünk a periódikus négyszögjel vonalas spekrumához. <br /> <br /> '''3. Szűrő vizsgálata oszcilloszkóppal'''<br /> <br /> * Alul-/felüláteresztő szűrő határfrekvenciája (ahol &lt;math&gt;-3dB&lt;/math&gt;, azaz &lt;math&gt;\frac{1}{\sqrt{2}}&lt;/math&gt;-szeres az erősítése): &lt;math&gt; f_c = \frac{1}{2 \pi RC}&lt;/math&gt;<br /> * [Mode/Coulping] &gt;&gt; [DC]/[AC] esetén DC/AC-csatolt az oszcilloszkóp, így a bemenete modellezhető egy elsőfokú alul-/felüláteresztő szűrővel. <br /> <br /> '''4. Átviteli karakerisztika digitális multiméter'''<br /> <br /> * érdemes &lt;math&gt;0,1 f_c &lt; f &lt; 10 f_c &lt;/math&gt; frekvenciákon mérni (logaritmikus [1,2,5] léptékben)<br /> * a DMM [AC V] gombja után dB kijelzésre a [Shift] &gt;&gt; [Null/dB] gomb, majd aluláteresztő szűrő esetén kis frekvencián nullázni a [Null/dB] gombbal (ezzel beállítottuk a dB skála referenciaszintjét)<br /> <br /> '''5. széles sávú gerjesztés'''<br /> <br /> * A multisinus egy olyan szinuszos függvény, aminek a frekvenciája lineárisan nő (adott értéktől adott értékig), tehát ez egy szélessávú jel. [A &lt;math&gt; sinc (\Omega t) &lt;/math&gt; függvény is szélessávú [Arb] &gt;&gt; [Sinc], ennek Fourier-transzformáltja egy &lt;math&gt; \frac{\pi}{\Omega}\epsilon(\omega + \Omega) - epsilon(\omega \Omega) &lt;/math&gt; &quot;frekvencia-ablak&quot;, amit egy szűrő &quot;összenyom&quot;]. A függvénygenerátor [Sine] jelalakjának frekvenciasöprésének tartományát [Sweep] módban állíthatjuk be. (másik vélemény: nekünk nem fogadták el a sweepet, hanem ''Arg'' módban kellett használni a a függvénygenerátort) _<br /> * Ismét a referenciaszint (az oszcilloszkóp bal oldalán lévő legmagasabb érték) &lt;math&gt; \sqrt 2 &lt;/math&gt; -edéhez tartozó frekvenciát kell keresni aluláteresztő szűrő esetén (felül.á.sz. esetén a jobboldalon van a referenciaszint). <br /> * A legnagyobb hibát a leolvasás okozhatja, emellett az átvitel hibája sem tökéletes, ahogy a függvénygenerátor sem az. <br /> <br /> '''6. szinuszjel &quot;torzítása&quot; oszcilloszkópon'''<br /> <br /> * Ha az oszcilloszkóp nincsen túlvezérelve, azaz a függőleges érzékenység akkora, hogy a jel a képernyőből nem lóg ki, akkor a szinuszjel alapharmónikus frekvenciájánál jól látható a kiemelkedés, ettől eltérő frekvencián pedig a hozzá képest elhanyagolható zaj. Ha a szinuszjelet torzítjuk (pusztán a V/div csökkentésével, azaz nem a jelet torzítjuk, hanem a kijelzést), a jel egyre kezd hasonlítani a négyszögjelhez. Így a spektrumja is kénytelen lesz a négyszögjel spektrumához közelíteni, hiszen az oszcilloszkóp az általa kijelzett jelből számítja FFT segítségével a spektrumot. A spektrum az 1/f -es vonalas spektrumhoz tart.<br /> <br /> == Házihoz segítség ==<br /> * FONTOS!!! Bármilyen szimmetrikus jelet DC komponens nélkül kell ábrázolni és számolni vele, emiatt az itt található kidolgozás sem jó ebből a szempontból. &lt;small&gt;(azaz pl a négyszögjelnél [1,0] értékek helyett [1,-1] kell, és amúgy matlab kódok komplett copypaste-elése nem ajánlott)&lt;/small&gt;<br /> * [[Media:Labor1_mérés4_házi1.pdf‎|Kidolgozott házi feladat]]<br /> * [http://www.hobbielektronika.hu/cikkek/fourier_transzformacio.html?pg=5&amp;Submit=%3E%3E DFT-s házihoz]<br /> <br /> ''' 2015 ősz tapasztalatai:'''<br /> * a tárgyhonlapon lévő DFT programmal érdemes számolni<br /> * A jeleket [-1;1] értékek között kell felvenni, nem pedig [0;1] közt<br /> * ( [-0.5;0.5] is megfelel és hasonlók, lényeg hogy ne legyen benne offset )<br /> * Ábrákon ne hiányozzon a tengelyek elnevezése, negatív frekvenciatartomány lehetőleg ne legyen<br /> * Elfogadott házi : [[Media:Labor1_meres4_151110.pdf‎|Feladat]] [[Media:Labor1_hazi4_151110.pdf‎|Megoldás]]<br /> <br /> == Beugró kérdések kidolgozása ==<br /> <br /> *[[Media:labor1_mérés4_ellekérdések.pdf|Ellenőrző kérdések kidolgozása]]<br /> *[[Media:4meres_ellenorzo_kerdesek.pdf|Ellenőrző kérdések egy másik kidolgozása]]<br /> Beugróban az elemi jelek spektrumának felrajzolásánál nem elegendő csak a burkológörbe!<br /> <br /> == Egyéb ==<br /> *[[Media:Négyszögjel Háromszögjel felharmonikusai.pdf|A 4.2 méréshez kiszámított szimmetrikus négy- és háromszögjelek első tíz felharmonikusai]]<br /> <br /> [[Kategória:Villamosmérnök]]</div>

Gyurós Péter https://vik.wiki/index.php?title=Laborat%C3%B3rium_1_-_10._M%C3%A9r%C3%A9s:_Sorrendi_h%C3%A1l%C3%B3zat_vizsg%C3%A1lata&diff=198180 2019-12-12T17:42:50Z

<p>Gyurós Péter: /* Házihoz segítség */</p> <hr /> <div>{{Vissza|Laboratórium 1}}<br /> <br /> __TOC__<br /> <br /> == A mérésről ==<br /> <br /> *Megismerkedtetek egy összetettebb tervvel és a ChipScope programmal<br /> *Írtatok egy házit, amiben gyakoroltátok a dolgokat. Ilyen szintű feladat lehet gyakorlati mérésen.<br /> *'''Milyen feladatok voltak:'''<br /> **Blokkvázlat alapján hétszegmenses kijelző megvalósítása. Rategen, számláló, shiftregiszter, multiplexer. Nem sok új.<br /> **ChipScope. Na ez az, amitől sokan tartotok, pedig nem rossz dolog.<br /> *'''ChipScope''' - Két részből állt a mérésnek ez a része:<br /> **Hozzáadtátok a ChipScope modult a tervhez (új forrásfileként), beállítottátok azt, hogy milyen jeleket akartok vizsgálni, hány mintát akartok venni, majd újrageneráltátok a programozófilet.<br /> **Használtátok a ChipScope Analyzer-t, amivel megvizsgáltátok a rendszer jeleit.<br /> *'''Miket tanultatok meg:'''<br /> **Különféle triggerfeltételek: szint és élérzékeny triggerfeltételek, trigger sequence, egyes elborult csapatok storage qualificationt is. <br /> *'''Miket szoktatok elrontani:'''<br /> **Rögtön az elején feladjátok, ha ilyen feladatot kaptok :(<br /> **Rosszul állítod be a ChipScope-ot, rossz jeleket köttök be, különös tekintettel az órajelre!<br /> **Elfelejtitek, hogy milyen triggerfeltételt lehet beállítani a felfutó, lefutó, változó élre.<br /> *'''Tipikus laborbeugró kérdések voltak:'''<br /> **ChipScope-ról ez-az.<br /> **Verilog modulok (&quot;rategen&quot; és testbench) írása<br /> **Mintavételi frekvencia számítása<br /> **Latch-ról mindenféle (okok, elkerülés, ezek) - [http://www.velocityreviews.com/forums/t371968-what-is-the-problem-with-latch-inference.html Leírás] - '''EZT GYAKRAN ELRONTOTTÁTOK BEUGRÓN!'''<br /> **Miért nem használunk több órajelet egy FPGA-terven belül? '''EZT IS GYAKRAN ELRONTOTTÁTOK!'''<br /> **(utóbbi két kérdésről: volt olyan verzió is, hogy ismerd fel, ez a Verilog-kód miért működhet hibásan FPGA-n belül, és akkor rámutathatsz, hogy latch, vagy több órajelet használsz).<br /> *'''&lt;span style=&quot;color: red&quot;&gt;Fontos megjegyzések:&lt;/span&gt;'''<br /> ** Az itteni segédletek (főleg a megoldott házipéldák) elavultak, nektek már nem kell állapottáblázni meg ilyenek. Mérésvezetők jókat szoktak mosolyogni, ha valaki ilyet ad be...<br /> ** A beugrókérdések SEM ezek, és nem feltétlen az ellenőrző kérdések. A segédlet megértésével, készüléskor a mérés fejben végigpörgetésével teljesíthetőek. Nem szoktatok bukni rajta.<br /> <br /> == Házihoz segítség ==<br /> <br /> <br /> <br /> *[[Media:labor1_10mérés_házi.pdf‎|Kidolgozott házi feladat]]<br /> <br /> A fenti házi jó kiindulópont, de nem egészen helyes, mert a kimenetnek azonnal 1-be kell váltania ha teljesül a specifikációban leírt feltétel (lásd a példának megadott 7-el oszthatóságnál). A kódban a kimenet állításánál tehát a feltételek közé vegyétek be a bemenet aktuális értékét is, hogy a kimenet annak megérkezésével egyidőben váltson!<br /> <br /> Régi házik:<br /> <br /> A mérés 2011 óta nagyot változott, már nem a Digitális technika 1 anyagát kéri számon (állapottábla és egyebek). Most már a magasabb szintű (számláló, shift regiszter, stb.) tervezést tekintjük célnak.<br /> Ha már ide jutottál, hogy nagyon elakadtál, egy olyan jótanács: ne állapottáblázz, meg Karnaugh-táblázz. A fél órás feladatot három napra hosszabbítod (tapasztalatból mondom). Inkább kérdezz a tárgy listáján és/vagy a mérésvezetőktől, segítünk.<br /> <br /> *[[Media:Labor1_mérés10_házi1.pdf‎|Kidolgozott házi feladat 1]]<br /> ** Megjegyzés: a mérésvezető szerint hiányzott a hasonló házimból a restart bemenet. A feladat nem írja, de digitális áramkörökbe tényleg illik tenni.<br /> ** Figyelmeztetés: ez a házi már elavult és abból a célból nagyon &quot;hasznos&quot;, hogy lebukjanak azok, akik ez alapján csinálták meg a házijukat, súlyos elvi hibák vannak benne, egyáltalán nem érdemes ebből dolgozni!<br /> *[[Media:Labor1_mérés10_házi2.pdf‎|kidolgozott házi feladat 2]]<br /> <br /> == Beugró kérdések kidolgozása ==<br /> <br /> === Ellenörző kérdések 2018 ===<br /> [[:File:Verilog beugrók.pdf| Nem hivatalos kidolgozás]]<br /> <br /> Ezek eléggé elavult kidolgozások.<br /> *[[Media:Labor1 mérés10 ellkérd.pdf|Ellenörző kérdések kidolgozva]]<br /> <br /> Néhány mérésvezetőknek van egy rossz szokása: a segédletben levő kérdést teszi fel, csak megváltoztat benne valamit. Vagy esetenként ugyanarra kérdez rá, csak másik irányból, más szavakkal. Tehát érdemes értve tanulni, nem bevágni.<br /> <br /> === Régi beugrókérdések ===<br /> <br /> '''''&lt;span style=&quot;color: red&quot;&gt; Ezt a részt még aktualizálni kell. Nem biztos, hogy még mindig ezek a beugrókérdések! &lt;/span&gt;'''''<br /> <br /> '''1. Mi a különbség a logikai analizátor állapotanalízis és időzítésanalízis üzemmódja közt? Mindkét üzemmódra alkalmas a ChipScope?'''<br /> <br /> Állapotanalízis üzemmódban a bemenő jeleket a vizsgált hálózat órajelével szinkron mintavételezzük, így a vizsgált sorrendi hálózat (állapotgép) egymás utáni állapotai kerülnek az állapottárba. Időzítésanalízis üzemmódban a mintavételt egy nagypontosságú belső óra időzíti, így a vizsgált hálózat jeleinek időviszonyai is vizsgálhatók. A ChipScope CSAK állapotanalízisre alkalmas.<br /> <br /> '''2. Mi a szerepe a triggerjelnek ill. a triggerszónak a közönséges analóg oszcilloszkópnál ill. a logikai állapotanalizátornál?''' <br /> <br /> Az analóg oszcilloszkópban a triggerjel az időeltérítést indítja, ezért az analóg oszcilloszkóp gyakorlatilag csak a triggerjel utáni jeltartományt jeleníti meg. <br /> <br /> A logikai analizátorban a triggerszó a mintavételezés/mintatárolás leállítását vezérli, a beállítástól függően az analizátor a triggeresemény előtti és utáni állapotokat is tárolni, megjeleníteni tudja. <br /> <br /> '''3. A vizsgált szekvenciális hálózat egymás utáni állapotait akarjuk meghatározni. Milyen üzemmód ajánlott ebben az esetben, és mi legyen a mintavételező jel forrása?'''<br /> <br /> Állapotanalízis üzemmód az ajánlott ebben az esetben. A mintavételezéshez a vizsgált hálózat órajelének azt az élét válasszuk, amelynél az állapotjelek már stabilak. <br /> <br /> '''4. Egy hálózat terjedési késleltetését (Td) akarjuk meghatározni logikai analizátorral. Milyen üzemmódot használjunk ebben az esetben, mi legyen a mintavételező jel forrása, mekkora legyen a frekvenciája?''' <br /> <br /> Időzítésanalízis üzemmódot használjunk, ebben az esetben a mintavételezést az analizátor belső órajele vezérli. A mintavételi frekvencia legyen az f = 1/Td érték többszöröse. Az, hogy legalább hányszorosa, a megkívánt mérési pontosságtól függ. A mért időszakasznak be kell férnie a mintatárba, ez (és az analizátor működési sebessége) korlátozza a maximális frekvenciát. <br /> <br /> '''5. A logikai analizátorral vizsgált CMOS hálózat tápfeszültsége 3 V. Mekkora az ajánlott komparálási feszültség az analizátor bemenetén?''' <br /> <br /> A CMOS logikai áramkörök komparálási feszültsége általában a tápfeszültség fele, ami a jelen esetben 1,5 V. A logikai analizátor bemenetein is ezt az értéket célszerű beállítani komparálási feszültségként.<br /> <br /> '''6. Logikai analizátorral egy periodikus négyszögjelet vizsgálunk, melyről előzetesen azt tudjuk, hogy frekvenciája 5 kHz - 10 kHz, kitöltési tényezője pedig 20% és 50% közé esik. Mekkora legyen a mintavételi frekvencia minimális értéke, ha a jel L és H értékének időtartamát egyaránt legalább 5% pontossággal kívánjuk meghatározni. A számításnál tételezze fel, hogy csak egyetlen periódust mérünk az analizátorral és az analizátor belső mintavételi frekvenciájának bizonytalansága elhanyagolható.'''<br /> <br /> A mintavételi frekvencia meghatározásánál a mérendő legkisebb időtartamból kell kiindulni. Ebben a példában ez a H állapot hossza, 20% kitöltési tényező és 10 kHz frekvencia esetén. Ennek értéke (1/10kHz) * 0,2 = 20 us. A megkívánt +- 5% mérési pontossághoz legalább 20 * 0,05 = 1 us-onként mintát kell venni. A mintavételi frekvencia minimális értéke 1 MHz. (Ha a belső óra frekvenciájának szokásos bizonytalanságát is figyelembe vesszük, akkor kicsit több mint 1 MHz kell.) <br /> <br /> (Magyarázat: A legkisebb időtartamot úgy lehet elérni, hogy a legnagyobb frekit választjuk, és a legkisebb kitöltési tényezőt. Kitöltési tényező: azt határozza meg, hogy egy perióduson belül a négyszögjel a teljes periódusidő hány százalékában vesz fel logikai 1-es értéket. --&gt; Logikai 1: H állapot.)<br /> <br /> '''7. Miért nem ajánlott, hogy egy Verilog tervben több órajel forrást használjunk?'''<br /> <br /> Az FPGA-ban az órajelnek egy speciális, &quot;gyors vezeték&quot; van dedikálva. Ha az órajelet pl. leosztva továbbítod, akkor mivel már nem fog a dedikált órajelvezetéken közlekedni, nem garantált, hogy az pontos lesz, azért könnyen hazárdokat idézhet elő.<br /> <br /> '''8. Miért kerülendő a Latch-ek használata? Mire kell figyelni a Verilogban, ha if vagy case szerkezettel írunk le egy kombinációs logikát?'''<br /> <br /> Pont amiatt, ami a kérdés második része - mert nagyon nagy az esélye, hogy kihagyunk egy if/else esetet a sok állapot közül, vagy egy case-t. És arra kell figyelni, hogy minden lehetséges állapot le legyen kódolva. (Verilog ismertetőben ez le van írva szépen)<br /> <br /> '''9. Készítsen 3 bemenetű és/vagy kaput 2 bemenetű és/vagy kapuk (and2/or2) példányosításával!'''<br /> <br /> module and2(<br /> input a, b,<br /> output z);<br /> assign z = a&amp;b;<br /> endmodule<br /> module and3(<br /> input a,b,c,<br /> output z);<br /> wire x;<br /> and2 a1(<br /> .a(a),<br /> .b(b),<br /> .z(x));<br /> and2 a2(<br /> .a(c),<br /> .b(x),<br /> .z(z));<br /> endmodule<br /> <br /> '''10. Adja meg azt a Verilog Test Fixture kódrészletet, ami 10 MHz frekvenciájú órajelet biztosít a vizsgálandó modul számára!'''<br /> <br /> reg clk;<br /> initial clk=0;<br /> always #X clk &lt;= ~clk; <br /> <br /> Itt X értéke mondja meg, hogy az egy órajelen belüli élváltás hol van - tehát az órajel periódusideje ennek a kétszerese. Ez alapján már lehet számolni, és a megfelelő timescale alkalmazásával.<br /> Ha nem tévedek, akkor a 10 Mhz periódusideje 100 ns, tehát X megfelelő értéke 50ns. <br /> ( 'timescale 1ns/1ps sor a test fixtur elején)<br /> <br /> == Xilinx ISE bugok ==<br /> <br /> Ide sorolhatjátok fel a Xilinx ISE használatakor felfedezett bugokat. A tárgy honlapján is van felsorolás, de ahhoz te nem tudsz írni..<br /> * A Windows 8 a 14.2-es verziónál még nem támogatott, van, ami a 64 bites verzióval megy csak, van, ami a 32 bitessel. Nekem telepíteni sem sikerült.<br /> * Telepítéskor a telepítési könyvtár ne tartalmazzon se szóközt, se számot, se ékezetes karaktert, a c: meghajtóra érdemes rakni. C:\Xilinx könyvtár menni szokott, Linux alatt pl. a /opt/Xilinx megfelelő<br /> * Windows alatt ISE futása alatt ne válts billentyűkiosztást, lefagy a rendszer (évek óta nem javított ISE bug).<br /> * Linux alatt érdemes az LC_ALL környezeti változót (meg a LANG-ot, meg a LOCALE-t) en_US-re vagy C-re állítani, különben vacakolhat. Mondjuk a Webpack-nál nem szokott előjönni.<br /> * Van, hogy az ISE nem veszi észre, hogy egy UCF file-t hozzáadtál. Abban nyílvánul ez meg, hogy a jó kódod letöltve nem csinál semmit. Ilyenkor fogod, eltávolítod a projektből az ucf-et, aztán visszarakod. Illetve van, hogy nem a megfelelő modul alá húzza be az ucf-et, ilyenkor egy random verilog modult top modullá alakítasz (jobb egér, set as top module), majd az igazi top modulodat visszacsinálod top module-ra.<br /> * Amikor első szimulációkor az ISIM hálózati kommunikációt akar nyitni, engedélyezni kell (lokális gépen nyit socketet saját magának, nem köszön ki a netre), különben nem fog működni.<br /> <br /> == Érdeklődőknek ==<br /> <br /> Ha felkeltette az érdeklődésedet az FPGA programozás, ezeket a tárgyakat érdemes lehet hallgatni:<br /> <br /> *[http://www.mit.bme.hu/oktatas/targyak/vimim286 Logikai tervezés]: bővebben FPGA-ról, hardvertervezésről, perifériákról.<br /> *[http://www.mit.bme.hu/oktatas/targyak/vimim363 Mikrorendszerek tervezése]: mikroprocesszoros rendszerek tervezése FPGA-n belül.<br /> <br /> [[Kategória:Villamosmérnök]]</div>

Gyurós Péter https://vik.wiki/index.php?title=Szab%C3%A1lyoz%C3%A1stechnika&diff=196884 2019-06-06T20:15:55Z

<p>Gyurós Péter: /* Követelmények */</p> <hr /> <div>{{Tantárgy<br /> |nev=Szabályozástechnika<br /> |tárgykód=VIIIAB05<br /> |régitárgykód=VIIIA303<br /> |tanszék=IIT<br /> |szak=villany<br /> |kredit=5<br /> |felev=4<br /> |kereszt=vizsgakurzus<br /> |kiszh=5 db<br /> |nagyzh=1 db<br /> |vizsga=írásbeli<br /> |hf=nincs<br /> |levlista=vszabtech{{kukac}}sch.bme.hu<br /> |targyhonlap=https://www.iit.bme.hu/targyak/BMEVIIIAB05<br /> }}<br /> <br /> A technológiai, élettani, gazdasági és környezeti folyamatok irányítása a mérnöki tevékenységek fontos, széleskörű ismereteket, absztrakciós és alkalmazói képességeket egyaránt igénylő feladatai közé tartozik. A tárgy az irányítástechnika alapjaival, szabályozási rendszerek működési elveivel, analízisével, szintézisével, valamint a számítógépes támogatás nyújtotta eszközök alkalmazástechnikájával ismerteti meg a hallgatókat, miközben alapvető mérnöki szemléletformáló szerepet tölt be. A tárgy követelményeit sikeresen teljesítő hallgatók felkészültek gyakorlati analóg és digitális szabályozási körök vizsgálatára, tervezésére, speciális irányításelméleti kurzusok illetve irányítástechnikai ismeretekre épülő szakirányok (irányító és robot rendszerek, beágyazott rendszerek, járműirányító rendszerek) és tantárgyak felvételére, valamint a [[Labor 1]] és [[Labor 2]] tárgyak kapcsolódó mérési feladatainak elvégzésére.<br /> <br /> A tárgy a Matematika A2-A3-ban és a Jelek és rendszerek 2-ben tanult ismeretekre épít - kell a lineáris algebra és a lineáris inhomogén differenciálegyenletek ismerete, valamint a &lt;math&gt;\mathcal{F}&lt;/math&gt;, &lt;math&gt;\mathcal{L}&lt;/math&gt; és &lt;math&gt; \mathcal{Z} &lt;/math&gt; transzformáció készségszintű alkalmazása. Félév során hét számítógéptermi laborgyakorlat van, ahol MATLAB CST segítségével tervezzük meg a különböző szabályzókat. <br /> <br /> <br /> ==Követelmények==<br /> <br /> *'''Előkövetelmény:''' A [[Jelek és rendszerek 2]] című tárgyból az aláírás megszerzése.<br /> *'''Jelenlét:''' A 7-7 tantermi és számítógépes gyakorlaton a hiányzások száma nem haladhatja meg külön-külön a 2 alkalmat!<br /> *'''KisZH:''' A felkészültséget a számítógéptermi gyakorlatokon összesen 5 alkalommal kis zárthelyi formájában ellenőrzik. Az aláírás feltétele legalább 3 elégséges osztályzatú kis zárthelyi megírása. A kis zárthelyik nem pótolhatók, a meg nem írt kis zárthelyik az átlagba 0 értékkel számítanak bele. <br /> *'''NagyZH:''' Az aláírás megszerzéséhez egy nagyzárthelyit kell megírni, melyen az '''50-ből legalább 21 pontot (42%-ot) el kell érni'''. A félév során egy pótlási lehetőség van.<br /> *'''Vizsga:''' A vizsga két részből áll:<br /> *# 8 darab 5-5 pontos rövidebb kérdés, melyek általában a gyakorlatok ellenőrző kérdései közül kerülnek ki. Legalább 16 pontot el kell érni.<br /> *# 2 darab egyenként 20 és 30 pontos MATLAB-os feladat: P, PI, PD, PID szabályozók tervezése, PID szabályozó tervezése maximális beavatkozó jel esetén, 2DOF (két-szabadságfokú) szabályzó tervezése, állapotteres szabályzás folytonos és diszkrét időben. Legalább 20 pontot el kell érni.<br /> Összesen legalább 40 pontot el kell érni az elégséges vizsgajegy megszerzéséhez.<br /> *'''Végső jegy:''' A végső jegy három részből tevődik össze. Összesen 110 pont szerezhető, de a ponthatárokat 100 pontos skálán határozták meg.<br /> *#Vizsgán elért pontszám - max 90 pont<br /> *#NagyZH jegy kétszerese - max 10 pont<br /> *#KisZH jegyek átlagának kétszerese - max 10 pont<br /> <br /> *Ponthatárok:<br /> *(Eredmény [E])<br /> :{| class=&quot;wikitable&quot; style=&quot;text-align: center; width: 110px; height: 40px;&quot;<br /> !E %!!Jegy<br /> |-<br /> |0 - 39|| 1<br /> |-<br /> |40 - 59|| 2<br /> |-<br /> |60 - 74|| 3<br /> |-<br /> |75 - 84|| 4<br /> |-<br /> |85 - 100|| 5<br /> |}<br /> <br /> ==Segédanyagok==<br /> <br /> ===Hivatalos segédanyagok===<br /> <br /> * '''''Lantos Béla: Irányítási rendszerek elmélete és tervezése I - Egyváltozós szabályozások'''''&lt;br/&gt;A tárgyhoz szükséges irodalom, mely teljes mértékben lefedi a tananyagot. A tankönyv eredeti példánya a vizsga Matlab-os részén használható.<br /> * A tárgyhoz tartozó aktuális előadásdiák és gyakorlati segédanyagok letölthetőek a [https://www.iit.bme.hu/targyak/BMEVIIIAB05 tanszéki portálról].<br /> <br /> === Videotórium ===<br /> <br /> A tárgyhoz készült 13 részes [https://bme.videotorium.hu/hu/search/any/szab%C3%A1lyoz%C3%A1stechnika videósorozat] 2012 őszi félévében ''Kiss Bálint'' előadásában.<br /> <br /> ===MATLAB segédanyagok - Vizsgához nélkülözhetetlen===<br /> <br /> &lt;p style=&quot;color:red;&quot;&gt; '''Figyelem! 2017 tavasztól letölthető a Matlab legálisan bármely BME-s emailcímmel való regisztráció után [https://viki.eik.bme.hu/doku.php?id=mathworks:mathworks - részletek itt]''' &lt;/p&gt;<br /> <br /> *[[Szabályozástechnika - Matlab alapismeretek|Matlab alapismeretek]] - A legalapvetőbb Matlab kódok részletes ismertetése<br /> *[[Szabályozástechnika - Szakasz megadása|Szakasz megadása]] - A szakasz megadásának módjai. Érdemes alaposan begyakorolni, mert enélkül megoldhatatlanok a feladatok!<br /> *[[Szabályozástechnika - Soros kompenzátorok tervezése|Soros kompenzátorok tervezése]] - P, PI, PD, PID és PID maximális beavatkozó jellel<br /> *[[Szabályozástechnika - 2DOF szabályzó tervezése|2DOF szabályzó tervezése]] - Részletes magyarázattal<br /> *[[Szabályozástechnika - Folytonosidejű állapotteres szabályozók tervezése|Folytonosidejű állapotteres szabályozók tervezése]] - Simulink modellekkel és részletes magyarázattal<br /> *[[Szabályozástechnika - Diszkrétidejű állapotteres szabályozók tervezése|Diszkrétidejű állapotteres szabályozók tervezése]] - Simulink modellekkel és részletes magyarázattal<br /> <br /> ===Egyéb hasznos segédanyagok===<br /> *[[Bode-diagram_kézi_rajzolása|Bode diagram how-to]]<br /> *[[Media:szabtech_segedlet_bodekezzel.pdf|Bode diagram rajzolása kézzel]]<br /> *[[Media:szabtech_segedlet_attekintes.pdf|Szabályozástechnika &quot;konyhanyelven&quot;]]<br /> *[[Media:szabtech_segedlet_stabilitasvizsgalat.pdf|Stabilitásvizsgálat]] - Pólus-zérus eloszlás alapján, Nyquist illetve Bode kritérium (fázistartalék) alkalmazásával<br /> <br /> <br /> *'''Legfrissebb segédanyagok megtalálhatóak a [https://www.iit.bme.hu/targyak/BMEVIIIAB05 tanszéki oldalon], bejelentkezés után.'''<br /> {{Rejtett<br /> |mutatott='''Régi előadás és gyakorlati anyagok'''<br /> |szöveg=<br /> <br /> ===Gyakorlati anyagok - 2007 ősz===<br /> <br /> * [[Media:szabtech_gyak_2005.pdf|2005-ös gyakanyag]]<br /> *[[Media:szabtech_konzi_2007ősz_1resz.pdf|Tantermi gyakorlat jegyzet 1. rész]]<br /> *[[Media:szabtech_konzi_2007ősz_2resz.pdf|Tantermi gyakorlat jegyzet 2. rész]]<br /> *[[Media:szabtech_1hszkgyak_2010.pdf|1. Tantermi gyakorlat dia]]<br /> *[[Media:szabtech_2hszkgyak_2010.pdf|2. Tantermi gyakorlat dia]]<br /> *[[Media:szabtech_3hszkgyak_2010.pdf|3. Tantermi gyakorlat dia]]<br /> <br /> ===Előadás jegyzet - 2007 ősz===<br /> <br /> &lt;!---{| style=&quot;border-spacing: 1em;&quot;<br /> | style=&quot;vertical-align: top;&quot; |---&gt;<br /> *[[Media:szabtech_1előadás_2007ősz.pdf|1. Előadás]]<br /> *[[Media:szabtech_2előadás_2007ősz.pdf|2. Előadás]]<br /> *[[Media:szabtech_3előadás_2007ősz.pdf|3. Előadás]]<br /> *[[Media:szabtech_5előadás_2007ősz.pdf|5. Előadás]]<br /> *[[Media:szabtech_6előadás_2007ősz.pdf|6. Előadás]]<br /> *[[Media:szabtech_7előadás_2007ősz.pdf|7. Előadás]]<br /> &lt;!---| style=&quot;vertical-align: top;&quot; |---&gt;<br /> *[[Media:szabtech_8előadás_2007ősz.pdf|8. Előadás]]<br /> *[[Media:szabtech_9előadás_2007ősz.pdf|9. Előadás]]<br /> *[[Media:szabtech_11előadás_2007ősz.pdf|11. Előadás]]<br /> *[[Media:szabtech_12előadás_2007ősz.pdf|12. Előadás]]<br /> *[[Media:szabtech_13előadás_2007ősz.pdf|13. Előadás]]<br /> *[[Media:szabtech_14előadás_2007ősz.pdf|14. Előadás]]<br /> &lt;!---|}---&gt;<br /> }}<br /> <br /> ==Előadás jegyzet 2019==<br /> *[[Media:Szabtech_előadás_2019.pdf|Szabtech előadás 2019]]<br /> <br /> ==Ellenőrző kérdések kidolgozása==<br /> * [[Media:Szabtech_vill_gyak_osszesellkerdes.pdf‎ |2013 őszi ellenőrző kérdések]] - Ezek csak a gyakanyagok végén lévő kérdések összeollózva. Az alant lévő linkeken elérhetőek a válaszok.<br /> * [[Media:szabtech_1gyak_2012ősz.pdf|1. Gyakorlat]] - Hozzá tartozó ellenőrző kérdések [[Media:szabtech_1gyak_ellkérdések.PDF|Megoldásai]], [[Media:szabtech_1gyak_masik.pdf|Másik kidolgozás]]<br /> * [[Media:szabtech_2gyak_2012ősz.pdf|2. Gyakorlat]] - Hozzá tartozó ellenőrző kérdések [[Media:Szabtech gyakorlat2 ellkérdések.PDF|Megoldásai]], [[Media:szabtech_2gyak_masik.pdf|Másik kidolgozás]]<br /> * [[Media:szabtech_3gyak_2012ősz.pdf|3. Gyakorlat]] - Hozzá tartozó ellenőrző kérdések [[Media:szabtech_3gyak_ellkérdések.PDF|Megoldásai]], [[Media:szabtech_3gyak_masik.pdf|Másik kidolgozás]]<br /> * [[Media:szabtech_4gyak_2012ősz.pdf|4. Gyakorlat]] - Hozzá tartozó ellenőrző kérdések [[Media:szabtech_4gyak_ellkérdések.PDF|Megoldásai]], [[Media:szabtech_4gyak_masik.pdf|Másik kidolgozás]], [[Media:szabtech_4gyak_regebbi.pdf|Régebbi kidolgozás]]<br /> * [[Media:szabtech_5gyak_2012ősz.pdf|5. Gyakorlat]] - Hozzá tartozó ellenőrző kérdések [[Media:szabtech_5gyak_ellkérdések.PDF|Megoldásai]], [[Media:szabtech_5gyak_ellkérdések_szerk.pdf|Szerkesztett]], [[Media:szabtech_5gyak_regebbi.pdf|Régebbi kidolgozás]]<br /> * [[Media:szabtech_6gyak_2012ősz.pdf|6. Gyakorlat]] - Hozzá tartozó ellenőrző kérdések [[Media:szabtech_6gyak_ellkérdések.PDF|Megoldásai]], [[Media:szabtech_6gyak_regebbi.pdf|Régebbi kidolgozás]]<br /> * [[Media:szabtech_7gyak_2012ősz.pdf|7. Gyakorlat]] - Hozzá tartozó ellenőrző kérdések [[Media:szabtech_7gyakkidolgozás.pdf|Megoldásai]]<br /> <br /> ==Nagyzárthelyi és vizsga==<br /> <br /> A ZH feladatai általában azon gyakorlati anyagok ellenőrző kérdései közül kerülnek ki, ameddig eljutott az előadás. A ZH feladatok nagyon hasonlítanak a gyakorlatok ellenőrző kérdéseihez, de néha variálnak rajtuk kicsit, esetleg összemixelnek valamit különböző feladatokból. Mindeképpen célszerű meg is érteni a megoldásokat, különben könnyen bele lehet zavarodni. ''A zh feladatokról fényképet készíteni tilos, ezért nem találtok itt teljes feladatsorokat!'' &lt;br /&gt;A vizsga első részére ugyanaz igaz mint a zárthelyire, csak itt már az összes gyakanyagból vannak kérdések. A 7. gyakorlatból általában csak 1 kérdés szokott lenni.&lt;br /&gt;A vizsga Matlab-os része általában sablonfeladatokból áll. Aki végigoldja és MEGÉRTI a kidolgozott [[Szabályozástechnika#MATLAB segédanyagok - Vizsgához nélkülözhetetlen| Matlab feladatokat]], azt nem érheti nagy meglepetés a vizsgán!<br /> <br /> *[[Media:szabtech_ZH_2010ősz.pdf|2010/11 őszi ZH]]<br /> *[[Media:szabtech_mintavizsga_2007dec.pdf|2007/08 őszi MINTA vizsga]] és a hozzá tartozó nemhivatalos [[Media:szabtech_konzi_2008január.pdf|megoldások]]<br /> *[[Media:szabtech_vizsga_2011majus.pdf|2010/11 tavaszi vizsga]] - Keresztféléves vizsga, melyet nem az IIT tartott!<br /> *[[Media:szabtech_vizsga_2012januar_gepelt.pdf|2011/12 őszi vizsga]]<br /> *[[Media:szabtech_mintavizsga_2012dec.pdf|2012/13 őszi MINTA vizsga]]<br /> *[[Media:szabtech_vizsga_20141222.pdf|2014/15 őszi 2. vizsga]]<br /> *[[Media:Szabtech_vizsga2017tavasz1m.pdf|2016/17 tavasz minta vizsga kisfeladatok]]<br /> *[[Media:Szabtech_vizsga2017tavasz2m.pdf|2016/17 tavasz minta vizsga nagyfeladatok]] - [[Media:Pi minta.pdf|1.feladat megoldása]]<br /> <br /> ==Tippek==<br /> <br /> *A tárgy elég nehéz is lehet, azonban ha folyamatosan készülsz, nem okozhat nagy gondot. Az évközi kiszárthelyikre mindig érdemes alaposan felkészülni, mert egyrészt extra pontokat lehet vinni belőlük a vizsgára, másrészt a ZH illetve a vizsgabeugró kérdései is ezek közül kerülnek ki, így ha már itt megtanulod őket, akkor kevesebb gondod lesz a ZH és a vizsga előtt.<br /> *A vizsgára mindenképpen érdemes áttanulmányozni a [[Szabályozástechnika#MATLAB segédanyagok - Vizsgához nélkülözhetetlen|Matlab segédanyagok]] részt, mivel a vizsgán eléggé sablonfeladatok vannak - Soros kompenzátorok, 2DOF, FI és DI állapotteres szabályzó. Aki a fenti példákat érti és meg tudja oldani, azt nem érheti nagy meglepetés a vizsgán.<br /> *A vizsgára feltétlenül szükséges alaposan begyakorolni a [[Szabályozástechnika - Szakasz megadása|szakasz megadása]] című lapon leírtakat, ugyanis a vizsgán szinte minden feladat úgy kezdődik, hogy be kell vinni a Matlab-ba a megadott szakaszt. Azonban ha már itt elrontjátok, akkor az egész feladatban mindenhol rossz numerikus eredmények jönnek ki, ami pedig sajnos azt eredményezi, hogy kinullázzák a teljes 25 pontos feladatot! Tehát érdemes alaposan megtanulni!<br /> *A vizsgán mindent részletesen le kell írni a papírra. A javítók a Matlab-ot csak egy &quot;professzionális számológépnek&quot; tekintik, ezt jó észben tartani. Ha valamit Matlab segítségével számolsz, akkor le kell írni, hogy pontosan milyen kódot írtál be a Matlab-ba és a Matlab erre milyen numerikus végeredményt adott. Minden részeredményt le kell írni, mert ha valahol hiányzik a numerikus eredmény, akkor arra a feladatra nem adnak pontot.<br /> *A mintavizsga kísértetiesen hasonlít a rendes vizsgára, általában csak a 2DoF és az állapotteres típusú példák váltakoznak.<br /> *A pótlási héten lévő vizsgára bárki jelentkezhet.<br /> <br /> {{Lábléc_-_Villamosmérnök_alapszak 2014}}<br /> {{Lábléc_-_Villamosmérnök_alapszak}}</div>

Gyurós Péter https://vik.wiki/index.php?title=Jelek_%C3%A9s_rendszerek_2&diff=193630 2018-03-15T18:03:42Z

<p>Gyurós Péter: /* Jegyzetek, segédanyagok */</p> <hr /> <div>{{Tantárgy<br /> |nev=Jelek és rendszerek 2<br /> |tárgykód=VIHVAB01<br /> |kredit=6<br /> |felev=3<br /> |kereszt=van<br /> |tanszék=HVT<br /> |kiszh=3 db<br /> |vizsga=írásbeli és szóbeli<br /> |nagyzh=1 db<br /> |hf=3 db<br /> |szak=villany<br /> |tad=https://www.vik.bme.hu/kepzes/targyak/VIHVA200/<br /> |targyhonlap=https://fourier.hvt.bme.hu/<br /> |levlista=[https://lists.sch.bme.hu/wws/info/jelek2 jelek2{{kukac}}sch.bme.hu]<br /> }}<br /> <br /> A tantárgy a [[Jelek és rendszerek 1]] tárgy folytatása. Célja megalapozni a folytonos idejű rendszerek vizsgálati módszereit a frekvencia és a komplex frekvencia tartományban, továbbá a különböző rendszerleírások alapján megismertetni a rendszerjellemzőket és kapcsolatukat. A folytonos idejű rendszerek elméletét követően, a diszkrét idejű jelek és rendszerek vizsgálati módszereinek tárgyalása az idő-, frekvencia-, és z-tartományban. A tantárgy megadja a folytonos idejű jelek és rendszerek diszkrét közelítésének elvi alapjait, és tárgyalja a folytonos idejű nemlineáris rendszerek és hálózatok analízisének alapvető módszereit.<br /> <br /> A tárgy követelményeit sikeresen teljesítő hallgatók felkészültek a folytonos idejű rendszerek legfontosabb számítási módszereinek alkalmazására a frekvencia- és komplex frekvencia tartományban, a diszkrét idejű rendszerek és hálózatok analízisére idő- frekvencia- és z-tartományban. Ismerik a folytonos- és diszkrét idejű jelek és rendszerek kapcsolatát, valamint a moduláció alapelméletét. – ''A tantárgy célkitűzései, a tantárgyi adatlapról.''<br /> <br /> == Követelmények ==<br /> <br /> * '''Előkövetelmény:''' A [[Jelek és rendszerek 1]] című tárgy teljesítése.<br /> * '''Jelenlét:''' Elméletileg az előadások és gyakorlatok 70%-án kötelező jelen lenni, de gyakorlatilag senki sem tartja számon.<br /> * '''Házi feladat:''' A félév során három egyedi házi feladatot kell megoldani. Ezeket 0-5 ponttal értékelik. A határidőre be nem adott házi feladat nem pótolható, értékelése 0 pont. Az aláírásba a két legjobb házi átlagpontszáma számít bele. Leadásuk nem kötelező, de erősen ajánlott.<br /> *# Folytonos idejű rendszer/hálózat vizsgálata a frekvencia és a komplex frekvencia tartományban<br /> *# Diszkrét idejű hálózatok vizsgálata az idő-, és frekvenciatartományban<br /> *# Diszkrét idejű hálózatok vizsgálata komplex frekvenciatartományban <br /> *'''KisZH:''' A félév során 3 darab 5 pontos kis zárthelyit kell megírni. Ezek pótlására nincs lehetőség. Minden gyakorlatvezető egyedileg válogatja össze, hogy pontosan melyik témakörből és mikor íratja meg. <br /> *'''NagyZH:''' A félév során egy nagy ZH van a 10. héten, amin 25 pont szerezhető, és még a szorgalmi időszakban egyszer pótolható.<br /> A félévközi pontszám az alábbi módon tevődik össze:<br /> *&lt;math&gt;FP={KZH_1+KZH_2+HFA+NZH}&lt;/math&gt; <br /> Ahol KZH&lt;sub&gt;x&lt;/sub&gt; a két legjobban sikerült kisZH-t, HFA a két legjobban sikerült házi feladat pontszámának az átlagát, NZH pedig a nagyZH pontszámát jelenti.<br /> Az aláírás megszerzésének feltétele, hogy a félévközi pontszám legalább 20 pont legyen.<br /> *'''Vizsga:''' Két részből áll: Egy írásbeliből és egy szóbeliből. Az írásbeli (60 pont) első fele két darab 15 pontos nagyfeladat (egyik FI másik DI), a második fele 15 darab 2 pontos kiskérdés. Csak sikeres írásbeli (legalább 25 pont) után kezdhető meg a szóbeli, melyen javítható/rontható is az írásbeli érdemjegye, akár meg is lehet bukni!<br /> <br /> == Jegyzetek, segédanyagok ==<br /> <br /> === Előadásvideók ===<br /> <br /> *[http://bme.videotorium.hu/hu/search/advanced?name=Jelek&amp;uploaddatefrom=&amp;uploaddatefromyear=&amp;uploaddatefrommonth=&amp;uploaddatefromday=&amp;uploaddateto=&amp;uploaddatetoyear=&amp;uploaddatetomonth=&amp;uploaddatetoday=&amp;createdatefrom=&amp;createdatefromyear=&amp;createdatefrommonth=&amp;createdatefromday=&amp;createdateto=&amp;createdatetoyear=&amp;createdatetomonth=&amp;createdatetoday=&amp;organization=83&amp;ortelius=&amp;keywords=Dr.+Gyim%C3%B3thy+Szabolcs+&amp;languages=&amp;contributorname=&amp;contributorjob= Előadásvideók] - 2013/14 őszi félévében ''Dr. Gyimóthy Szabolcs'' előadásainak felvételei. https://bme.videotorium.hu/en/channels/1578/jelek-es-rendszerek-2<br /> <br /> === Fourier-transzformáció ===<br /> <br /> *[[Media:fourier_transzformacio_HIT_jegyzet.pdf|Fourier-transzformáció a HIT tolmácsolásában]]<br /> <br /> *[http://phet.colorado.edu/hu/simulation/fourier JAVA-alapú szimuláció a phet.colorado.edu oldalról]<br /> <br /> *[http://www.tankonyvtar.hu/en/tartalom/tamop412A/2011-0013_kelemen_digitalis_jelfeldolgozas/41_periodikus_jelek_fourier_sora.html Link]: Fourier sorfejtés. transzformáció Dr. Kelemen András (SZTE) által<br /> <br /> === Jegyzetek ===<br /> <br /> *[[Media:Jelek és rendszerek 2 jegyzet.pdf|Teljes anyagot lefedő jegyzet]] - Dudás Márton jegyzete, melyet dr. Gyimóthy Szabolcs lektorált és jegyzetpályázatot nyert (ami &quot;kikerült a tananyagból&quot;, az az új tanrendre vonatkozik, a régi tárgyhoz az egész aktuális!)(Vannak benne hibák)<br /> *[http://www.mht.bme.hu/~bilicz/peldatar/villamos_matematika_bilicz.pdf Dr. Bilicz Sándor: A matematika villamosmérnöki alkalmazásairól, példákon keresztül] - Többek között a Fourier-, Laplace-, és z-transzformáció elmélete és hozzájuk kapcsolódó feladatok megoldással<br /> *[[Media:jelek2_jegyzet_2010osz_ea_TakacsPeti.pdf|Takács Péter: 2010 őszi előadások]]<br /> *[[Media:jelek2_jegyzet_2010osz_gyak_TakacsPeti.pdf|Takács Péter: 2010 őszi gyakorlatok]]<br /> *[[Media:jelek2_jegyzet_A-FI_Bilicz_jegyzet.pdf|Folytonos idejű jelekről jegyzet]] - ''Dr. Bilicz Sándor'' előadása (Kemecsey Zita munkája)<br /> *[[Media:jelek2_jegyzet_B-DiszkretIdo_Bilicz.pdf|Diszkrét idejű jelekről jegyzet]] - ''Dr. Bilicz Sándor'' előadása (Kemecsey Zita munkája)<br /> *[[Media:jelek2_jegyzet_C-MV_Bilicz_2012_tavasz.pdf|Mintavételezésről jegyzet]] - ''Dr. Bilicz Sándor'' előadása (Kemecsey Zita munkája)<br /> *[[Media:jelek2_jegyzet_Hare_kepletek.pdf|Képletgyűjtemény]] - Egy jó kis összefoglaló, mely tartalmazza szinte az összes szükséges képletet!<br /> <br /> ===Jelek és rendszerek tankönyv===<br /> * [[Media:Jelek_konyv_0tartalom.pdf |0. Fejezet]] - Tartalomjegyzék<br /> * [[Media:Jelek_konyv_1.pdf | 1. Fejezet]] - Alapfogalmak<br /> * [[Media:Jelek_konyv_2.pdf | 2. Fejezet]] - Analízis időtartományban<br /> * [[Media:Jelek_konyv_3.pdf | 3. Fejezet]] - Analízis frekvenciatartományban<br /> * [[Media:Jelek_konyv_4.pdf | 4. Fejezet]] - Analízis komplex frekvenciatartományban<br /> * [[Media:Jelek_konyv_5.pdf | 5. Fejezet]] - A MATLAB néhány alkalmazása<br /> * [[Media:Jelek_konyv_0targymutato.pdf | 6. Fejezet]] - Tárgymutató<br /> <br /> === Vizsgához segítség ===<br /> <br /> *[[Media:jelek2_jegyzet_2012_szobelire.pdf|Szóbelire összefoglaló]] - Gábor Norbert és Kondor Máté András munkája, de '''NEM TELJES!''' Ezektől eltérő kérdések is lehetnek a vizsgán, esetleg egy adott témakörbe részletesebben is belekérdezhetnek.<br /> <br /> *[[Media:jelek2_jegyzet_2013_lyq.pdf|Teljes előadásjegyzet]] - Klinkó Krisztián munkája. Dr. Gyimóthy Szabolcs 2013-as előadásainak jegyzete. Szerepel benne minden, ami előadáson elhangzott, kivéve az év végi &quot;érdekességek&quot;.<br /> <br /> *Abból az időből, amikor még Hálózatok és Rendszerek volt a tárgy neve, és szigorlattal zárult ''Gódor András'' készített egy elég terjedelmes és átfogó összefoglalót, mely még most is jól használható a vizsgakészüléshez. Bár kézzel írt és szkennelt, de akinek van türelme átnézni, az sok hasznos dolgot találhat benne:<br /> **[[Media:Jelek_HÁRE_szigorlat_1.PDF| Összefoglaló 1. rész]]<br /> **[[Media:Jelek_HÁRE_szigorlat_2.PDF| Összefoglaló 2. rész]]<br /> **[[Media:Jelek_HÁRE_szigorlat_3.PDF| Összefoglaló 3. rész]]<br /> <br /> *[[Jelek és rendszerek 2 - Veszely konzultáció 2008|2008 - Dr. Veszely Gyula által tartott konzultáció]], mely segít a házi megoldásában is.<br /> *[[Media:Jelek2 előadásjegyzet FI.pdf|E-book reader-re optimalizált FI jegyzet]], ''Bíró Tamás'' munkája<br /> <br /> === Modulációs témakör ===<br /> <br /> A tanév végén jellemzően 2-4 előadás van ebből a témakörből. A vizsgán szinte mindig van 2 modulációs kisfeladat. Továbbá a szóbelinél némelyik vizsgáztató nem szereti, ha semmit sem tudtok ebből a témakörből, szóval legalább egyszer azért érdemes átfutni.<br /> * A radarlab-os honlapról lementett &quot;rövid&quot; elméleti összefoglaló, mely teljes mértékben lefedi a vizsgához szükséges anyagrészt: [[Media:Jelek2_Moduláció_elméleti_összefoglaló.pdf|Elméleti összefoglaló]]<br /> * Szintén a radarlab-os honlapról származó, modulációs feladatok, hivatalos megoldásokkal. Elvileg csak ezek a típuspéldák lehetnek a vizsgán: [[Media:Jelek2_Moduláci_Gyakorló_feladatokésmegoldások.pdf‎|Gyakorló feladatok és megoldások]]<br /> * Továbbá néhány hasznos képlet: [[media:Jelek2_Moduláció_Képletek.pdf‎|Néhány hasznos képlet]]<br /> <br /> === Nemlineáris hálózatok ===<br /> <br /> Ez a témakör korábban a Jelek 1 része volt, azonban az új tárgyban átkerült a Jelek 2-be.<br /> <br /> === Oktatóvideók ===<br /> <br /> *[https://www.youtube.com/playlist?list=PLr5ptf0KeDOsLQJTniQK1tK16PywOy8UB Jelek és Rendszerek 2 Oktatóvideók Playlist] - Cseppentő Bence és Radványi Patrik demonstrátorok közreműködésével készültek, a nagyZH témaköréből. Gyurós Péter munkája.<br /> <br /> == Számítógépes segédprogramok ==<br /> <br /> === Matlab ===<br /> <br /> &lt;p style=&quot;color:red;&quot;&gt; '''Figyelem! 2017 tavasztól letölthető a matlab legálisan bármely bme-s emailcímmel való regisztráció után [https://viki.eik.bme.hu/doku.php?id=mathworks:mathworks - részletek itt]''' &lt;/p&gt;<br /> A Matlab-ot használja a tanszék félhivatalosan (vagyis nem követelmény használni) a matematikai számítások, ábrázolások elvégzésére. A program [http://www.mathworks.com/products/matlab/ hivatalos weboldala].&lt;br /&gt;Hivatalos útmutató mely eredetileg a [[Szabályozástechnika|Szabályozástechnika]] című tárgyhoz készült - [[Media:MatLab_Utmutato_Szabtech_Jelek.pdf|Matlab útmutató]]&lt;br /&gt;Matlab alaputasítás összefoglaló, mely jól jöhet a házihoz (angol) - [[Media:Jelek1_MATLABösszefogalaló.pdf‎| Matlab parancsok]]&lt;br /&gt;Hosszabb Matlab gyorstalpaló, ábrák készítésének leírása, alapműveletek (angol) - [[Media:Jelek1_MATLABgyorstalpaló.pdf‎| Matlab gyorstalpaló]]<br /> <br /> === Wolfram Mathematica ===<br /> <br /> Tényleg nagyon jó program, rengeteg alapszintű beépített függvénnyel (kapásból megold neked több ismeretlenes, szimbolikus egyenletrendszereket) és közvetlenül is tud számolni sok olyan dolgot, amire amúgy a Matlabot szoktuk használni, mint például Fourier-sorfejtés vagy -transzformáció, állapotváltozós mátrixokból átviteli függvény meghatározása, stb. Érdemes megtanulni a használatát. '''Fizetős program!'''&lt;br /&gt;[http://www.wolfram.com/mathematica/ Hivatalos weboldal]<br /> <br /> === Wolfram Alpha ===<br /> <br /> Egy szűk részhalmazát tudja ingyen online azoknak a műveleteknek, amiket a Wolfram Mathemethica tud, de még így is nagyon jól használható! (Deriválás, integrálás, egyenletmegoldás, stb.)&lt;br /&gt;Hivatalos honlap: [http://www.wolframalpha.com/ Wolfram Alpha]<br /> <br /> === MAPLE ===<br /> <br /> Könnyen kezelhető, tudja körülbelül ugyanazt mint a Wolfram Mathematica. Házihoz nagyon jól használható (egyenletrendezés, parciális törtekre bontás, numerikus számítások stb.)&lt;br /&gt;[http://www.maplesoft.com/products/Maple/ Hivatalos weboldal]&lt;br /&gt;Egy jól használható Maple gyorstalpaló, mely bemutatja az alap funkciókat: [[Media: Jelek1_MAPLE.pdf‎| MAPLE gyorstalpaló]] - Házihoz nagyon hasznos!<br /> <br /> === ANDI ===<br /> <br /> A diszkrét idejű, második házi feladat ellenőrzéséhez rendkívül hasznos program. Egy tanszéki munkatárs fejlesztette még évekkel ezelőtt, '''teljesen jogtisztán''' használható. Még DOS-ra írták meg a programot, így telepítése kicsit problémás, de alább olvasható egy részletes útmutató:<br /> # Lépés: [[Media:jelek2_ANDI.zip|ANDI.zip]] letöltése, majd kicsomagolása a '''C:\''' mappába<br /> # Lépés: [http://sourceforge.net/projects/dosbox/files/dosbox/0.74/DOSBox0.74-win32-installer.exe/download DOSbox] DOS emulátor letöltése és telepítése<br /> # Lépés: DOSbox elindítása majd az alábbi parancsok begépelése:<br /> ## Parancs: '''mount c c:\ANDI'''<br /> ## Parancs: '''c:'''<br /> ## Parancs: '''ANDI.exe'''<br /> # Lépés: '''Configurate''' menüpont és ott minden '''DIR'''-t át kell írni '''C:\''' -re.<br /> # Lépés: Teszteld, hogy működik-e egy egyszerű hálózattal: '''graph editor''' -&gt; '''insert''', majd írd be pl hogy: ''i d o'' ('''i''':input '''d''':delay '''o''':output '''l''':line '''m''':erősítő) aztán nyomj egy '''escape''' -t.<br /> # Lépés: '''Analyse''' menüpont: Errort fog dobni, de entert nyomva bevisz a '''Text Editor'''-ba, ahol annyi a dolgod, hogy az első sorba a '''Network: valamirandomakármi;''' legyen írva. '''Escape''', majd újra '''Analyse''' és mennie kell.<br /> # Lépés: Amikor a konkrét hálózatodat rajzolod be, akkor arra figyelj, hogy minden vonalon legyen erősítő. Ha a rajzodban nincs valamelyik vonalon erősítő, akkor egy egyszeres erősítésűt rakj be, hogy tudja a program, milyen irányítású a jelfolyamhálózat. (Ekvivalens a nyilacskákkal a rajzon). Ezt még akkor is csináld meg, ha amúgy egyértelmű, hogy merre folyik! Menteni is lehet a '''graph'''-ot utána. Ha error-t dob először, akkor a 6-os pontban leírtakat kell követni.<br /> <br /> == Házi feladatok ==<br /> <br /> A hivatalos leadási határidők csak irányadóak, valójában a gyakvezér határozza meg a pontos leadási határidőt. Mindig megvárják, hogy minden elhangozzon a gyakorlatokon, ami az adott házi elkészítéséhez szükséges. Nem célszerű az utolsó napokra hagyni, mivel mindkét házi megírása külön-külön '''legalább 10-15 órát''' igénybe vesz! Ajánlatos folyamatosan dolgozni vele, ugyanis adott feladatsorban a feladatok úgy követik egymást, ahogy a megoldásukhoz szükséges elméleti anyag elhangzik az előadásokon. Továbbá minden gyakvezérnek van rendszeres konzultációs időpontja, így ha időben szembesültök a problémával, akkor még van idő rákérdezni és javítani.<br /> <br /> A gyakvezér által kijelölt határidőt viszont mindenképpen érdemes tartani, ugyanis az időben leadott, de nem elfogadható házik javítására a félév során van még egy lehetőség. A határidőre le nem adott háziknak viszont elsőre hibátlannak kell lenniük, valamint különeljárási díjat kell fizetni!<br /> <br /> {| style=&quot;border-spacing: 1em; width:70%;&quot;<br /> | style=&quot;vertical-align: top; width:50%;&quot; |<br /> <br /> === Első házi, folytonos időből ===<br /> <br /> *[[Media:jelek2_hf1_Anon1.pdf|Kidolgozás egy gyakvezér honalpjáról]] H34 J12<br /> <br /> *[[Media:jelek2_hf1_Erdei_Bence.pdf|Erdei Bence munkája]] H17 J6[[:File:J6.jpg]] itt a 6 jel eredetije ez a kidolgozásban nem szerepel.<br /> <br /> *[[Media:Jelek2_hf1_SZN.pdf|Szabó Norbert munkája]] H33 J10<br /> <br /> *[[Media:jelek2_hf1_Janosi_Gergely_Peter.pdf| Jánosi Gergely Péter munkája]] ? J15<br /> <br /> *[[Media:jelek2_hf1_Erdos_Peter.pdf| Erdős Péter munkája]] H20 J11<br /> <br /> *[[Media:jelek2_hf1_Fazekas_Gergely.pdf| Fazekas Gergely munkája]] H22 J15 - '''40 MB!''' <br /> <br /> *[[Media:jelek2_hf1_Matuska_Timot.pdf| Matuska Timót munkája]] H30 J11<br /> <br /> *[[Media:jelek2_hf1_Turoczi_Zoltan.pdf| Turóczi Zoltán munkája]] H9 J13<br /> <br /> *[[Media:Jelek2_hf1_Szvoboda_Mark.pdf|Szvoboda Márk munkája]] H17 J10<br /> <br /> *[[Media:jelek2_1hf_berenyi_norbert.pdf|Berényi Norbert munkája]] H36 J03<br /> <br /> *[[:Media:Jelek2_hf1_2013_Seyler_Lajos.pdf|Seyler Lajos munkája]] H16 J03<br /> <br /> *[[Media:jelek2_hf1_illés_attila.pdf|Illés Attila munkája]] ? ?<br /> <br /> *[[Media:Jelek2_hf1_2013_Tolnai_Daniel.pdf|Tolnai Dániel munkája]] H6 J8<br /> <br /> *[[:File:jelek2_hf1_kaman_szilveszter.pdf|Kámán Szilveszter munkája]] H32 J15<br /> <br /> | style=&quot;vertical-align: top; width:50%;&quot; |<br /> <br /> === Második házi, diszkrét időből ===<br /> <br /> *[[Media:jelek2_hf2_2008_Ban_Marton.pdf|Bán Márton munkája]]<br /> <br /> *[[Media:jelek2_hf2_2010_2011_osz_Ihasz_David.pdf|Ihász Dávid munkája]]<br /> <br /> *[[Media:jelek2_hf2_Erdei_Bence.pdf|Erdei Bence munkája]]<br /> <br /> *[[Media:jelek2_hf2_Erdos_Peter.pdf|Erdős Péter munkája]]<br /> <br /> *[[Media:jelek2_hf2_Janosi_Gergely_Peter.pdf|Jánosi Gergely Péter munkája]]<br /> <br /> *[[Media:jelek2_hf2_TurcziZoltn.pdf| Turóczi Zoltán munkája]]<br /> <br /> *[[Media:Jelek2_2HÁZI_Szücs_Péter.pdf‎| Szücs Péter munkája]]<br /> <br /> *[[Media:Jelek2_hf2_Szvoboda_Mark.pdf|Szvoboda Márk munkája]]<br /> <br /> *[[:Media:Jelek2_hf2_2013_Seyler_Lajos.pdf| Seyler Lajos munkája]]<br /> <br /> *[[Media:jelek2_hf2_illés_attila.pdf| Illés Attila munkája]]<br /> <br /> *[[Media:Jelek2_hf2_Szabo_Norbert.pdf|Szabó Norbert munkája]]<br /> <br /> *[[Media:Jelek2_hf2_2013_Tolnai_Daniel.pdf| Tolnai Dániel munkája]]<br /> <br /> *[[:File:jelek2_hf1_2017_kaman_szilveszter.pdf|Kámán Szilveszter munkája]]<br /> <br /> |}<br /> <br /> == Zárthelyik ==<br /> {| style=&quot;border-spacing: 1em; width:70%;&quot;<br /> | style=&quot;vertical-align: top; width:50%;&quot; |<br /> === ZH ===<br /> *[[Média:Jelek2_zh_2015osz_B.pdf|2015/16 ősz]] - B csoport, megoldásokkal<br /> *[[Média:Jelek2_zh_2016tavasz_B.pdf|2015/16 tavasz]] - B csoport, megoldásokkal<br /> *[[Média:jelek2_zh_201617-1.jpg|2016/17 ősz]]<br /> *[[Média:Jelek2_zh_201718_1.pdf|2017/18 ősz]] - megoldásokkal<br /> <br /> <br /> | style=&quot;vertical-align: top; width:50%;&quot; |<br /> <br /> === Pót ZH ===<br /> *[[Média:Jelek2_potzh_2015tavasz.pdf|2014/15 tavasz]]<br /> *[[Média:Jelek2_potzh_2016tavasz.pdf|2015/16 tavasz]] - megoldásokkal<br /> *[[Média:Jelek2_pzh_201718_1.pdf|2017/18 ősz]] - megoldásokkal<br /> <br /> |}<br /> <br /> == Vizsgák ==<br /> <br /> A vizsga írásbeli és szóbeli részből áll. Az írásbeli 60 pontos és két részből áll, mindkettő 30 pontos és 1 óra áll rendelkezésre. Az első részben két 15 pontos nagypéldát kell megoldani. Az egyik mindig folytonos, a másik diszktrét idejű rendszerek témakörből van. A második részben 15 darab 2 pontos egyszerű számpélda van. Ezeknél csak a végeredményt nézik, a mellékszámításokat nem. Minimális hiba esetén 1 pont kapható. A sikeres írásbelihez legalább 25 pontot kell elérni! (Az nem számít, hogy melyik részből hány pontot szedtek össze).<br /> <br /> Az írásbeli után kötelező szóbelizni! A legtöbb vizsgáztató az írásbelin elrontott feladatok elméletébe kérdez bele, így célszerű az írásbeli után megbeszélni a feladatokat. Általában csak maximum egy jegyet módosít a szóbeli, de ha egy alapfogalommal vagy alaptétellel nem vagytok tisztában akkor simán megbuktatnak. a ketteshez minden témakörből tudni kell az alapfogalmakat, tételeket és mindenről tudni kell hogy miért és hogyan használjuk.<br /> <br /> [[Media:Jelek2_szobeli_2015osz.pdf|Hivatalos honlapról segédlet a szóbelihez]] - NEM csak ezek a kérdések lehetnek a vizsgán!<br /> <br /> === Régi vizsgafeladatsorok ===<br /> <br /> Régi wikiről összegyűjtött, vágott, kicsit minőség javított, rendszerezett vizsgafeladatsorok.<br /> Az elmúlt években volt némi tematikai változás a jelek 1 és jelek 2 között, így a 2010 előtti vizsgákban lehetnek olyan kérdések amik igazából jelek 1-es témakörök, szóval ezek valószínűleg max csak egy kisfeladat erejéig, vagy egyáltalán nem is szerepelnek az újabb vizsgákban! (pl: nemlineáris építőelemek)<br /> <br /> ==== Jó minőségű képek, &quot;hivatalos&quot; megoldásokkal ====<br /> <br /> Célszerű időrendben hátrafelé haladni.<br /> <br /> Néhol nem hivatalosak a megoldások, így előfordulhatnak hibák! Kérlek ha hibát észleltek akkor jegyezzétek a [[Jelek és rendszerek 2 - Vizsgák ismert hibái]] rovatban!<br /> <br /> [[Media:Jelek2kidolg.pdf|Kidolgozott vizsgák]] - Kidolgozott vizsgák 2012.05.30-tól 2013.12.23-ig, 34 oldalnyi részletes megoldás<br /> <br /> {| style=&quot;border-spacing: 1em; width: 60%;&quot;<br /> | style=&quot;vertical-align: top; width: 33%;&quot; |<br /> <br /> *2003/04 - kereszt:<br /> **[[Media:Jelek2_vizsga_2004-06-07.pdf‎|2004.06.07]]<br /> **[[Media:Jelek2_vizsga_2004-06-14.pdf‎|2004.06.14]]<br /> *2006/07:<br /> **[[Media:Jelek2_vizsga_2007.01.09.pdf‎|2007.01.09]]<br /> **[[Media:Jelek2_vizsga_2007.01.16.pdf|2007.01.16]]<br /> *2006/07 - kereszt:<br /> **[[Media:Jelek2_vizsga_2007-06-11.pdf‎|2007.06.11]]<br /> *2007/08:<br /> **[[Media:Jelek2_vizsga_2007-01-18.pdf|2008.01.08]]<br /> *2007/08 - kereszt:<br /> **[[Media:Jelek2_vizsga_2008-06-10.pdf‎|2008.06.10]]<br /> *2008/09:<br /> **[[Media:Jelek2_vizsga_2009-01-19.pdf‎|2009.01.19]]<br /> *2008/09 - kereszt:<br /> **[[Media:Jelek2_vizsga_2009-06-09.pdf‎|2009.06.09]]<br /> *2009/10:<br /> **[[Media:Jelek2_vizsga_2009-12-22.pdf‎|2009.12.22]]<br /> <br /> <br /> | style=&quot;vertical-align: top; width: 33%;&quot; |<br /> <br /> *2010/11:<br /> **[[Media:Jelek2_vizsga_2011-01-07.pdf‎|2011.01.07]]<br /> **[[Media:Jelek2_vizsga_2011-01-14.pdf‎|2011.01.14]]<br /> **[[Media:Jelek2_vizsga_2011-01-21.pdf|2011.01.21]]<br /> *2010/11 - kereszt:<br /> **[[Media:Jelek2_vizsga_2011-05-24.pdf‎|2011.05.24]]<br /> **[[Media:Jelek2_vizsga_2011-05-31.pdf|2011.05.31]]<br /> *2011/12:<br /> **[[Media:Jelek2_vizsga_2011-12-20.pdf‎|2011.12.20]]<br /> **[[Media:Jelek2_vizsga_2012-01-03_Acsoport.pdf‎|2012.01.03 - A csoport]]<br /> **[[Media:Jelek2_vizsga_2012-01-03_Bcsoport.pdf‎|2012.01.03 - B csoport]]<br /> **[[Media:jelek2_vizsga_2012.01.10_megoldokulcs_3.pdf|2012.01.10]]<br /> *2011/12 - kereszt:<br /> **[[Media:Jelek2_vizsga_2012-05-30.pdf|2012.05.30]]<br /> **[[Media:jelek2_vizsga_2012jun12_megoldokulccsal.pdf|2012.06.12]]<br /> *2012/13:<br /> **[[Media:Jelek2_20130108_vizsga.pdf|2013.01.08]]<br /> **[[Media:Jelek2_vizsga_2013-01-15.pdf|2013.01.15]]<br /> **[[Media:Jelek2 vizsga 20130122.pdf |2013.01.22]]<br /> <br /> | style=&quot;vertical-align: top; width: 33%;&quot; |<br /> <br /> *2012/13 - kereszt:<br /> **[[Media:Jelek2_vizsga_20130605.pdf |2013.06.05]]<br /> **[[Media:Jelek2_vizsga_2013-06-11.PDF |2013.06.11]]<br /> *2013/14:<br /> **[[Media:Jelek2_vizsga_2013.12.23.pdf|2013.12.23]]<br /> **[[Media:Jelek2_vizsga_20140114.PDF|2014.01.14]]<br /> **[[Media:Jelek2_vizsga_2014-01-21.PDF|2014.01.21]]<br /> *2013/14 - kereszt:<br /> **[[Media:Jelek2_vizsga_2014-06-10.pdf|2014.06.10]]<br /> *2014/15:<br /> **[[Media:Jelek2_vizsga_2015.01.13.pdf|2015.01.13]]<br /> **[[Media:Jelek2_2015.01.20_vizsga.pdf|2015.01.27]]<br /> *2014/15 - kereszt:<br /> **[[Media:Jelek2_vizsga_20150602.pdf|2015.06.02.]] - [[Media:Jelek2_vizsga_20150602_mo.pdf|(nemhivatalos mo.)]]<br /> **[[Media:jelek2_vizsga_20150609.pdf|2015.06.09.]]<br /> *2015/16:<br /> **[[Media:jelek2_vizsga_20160112.pdf|2016.01.12.]]<br /> **[[Media:jelek2_vizsga3_2016_01_16.pdf|2016.01.19]]<br /> **[[Media:jelek2_v4_2016_01_26.pdf|2016.01.26]]<br /> <br /> | style=&quot;vertical-align: top; width: 33%;&quot; |<br /> <br /> *2015/16 - kereszt:<br /> **[[Media:Jelek2_vizsga_20160614.pdf|2016.06.14]]<br /> |}<br /> <br /> ==== Gyengébb minőségű képek/hiányos feladatsorok ====<br /> <br /> Ezeket csak akkor oldjátok, ha az előző kupacból már mindent átnéztetek!<br /> <br /> *[[Media:Jelek2_vizsga_2008-01-04.pdf‎|2008.01.04]]<br /> <br /> *[[Media:Jelek2_vizsga_2008-01-08.pdf‎|2008.01.08]]<br /> <br /> *[[Media:Jelek2_vizsga_2008-06-17.pdf‎|2008.06.17]]<br /> <br /> *[[Media:Jelek2_vizsga_2008-12-22.pdf‎|2008.12.22]]<br /> <br /> *[[Media:Jelek2_vizsga_2009-01-12.pdf‎|2009.01.12]]<br /> <br /> *[[Media:Jelek2_vizsga_2010-01-15.pdf‎|2010.01.15]]<br /> <br /> *[[Media:Jelek2_vizsga_20140610.PDF|2014.06.10]]<br /> <br /> *[[Media:jelek2_vizsgakicsik_2015_06_16.jpg|2015.06.16]]<br /> <br /> *[[Media:jelek2_vizsgakicsik_2017_01_03.jpg|2017.01.03]]<br /> <br /> === Gondolatok a szóbeliről ===<br /> <br /> '''Tapasztalatok a levlistáról''': Nagyon változatos, attól függ kihez kerülsz. Van aki az írásbelibe kérdezget, van aki random témát dob fel. A többségnek sikerül tartania az írásbeli jegyét, sőt javítani is lehet 1 vagy nagyon ritkán max 2 jegyet. Viszont rontani is nagyon egyszerű. Ha egy témakörből nagyon gyengék vagytok és belekérdeznek, akkor szinte garantált az 1-2 jegy mínusz. Bukni viszont akár 5-ös írásbelivel is lehet, ha belekérdeznek egy fontos alaptémakörbe, és abszolút fogalmatok sincs róla, akkor garantált a bukás!<br /> <br /> * ''Barbarics'': Leginkább a vizsgában lévő hibákra kérdez rá, meg egy-két bónusz kérdés. <br /> * ''Reichardt'': Bele sem néz a vizsgába, random kérdést ad, jó hosszan kínoz aztán nekem pl rontott mert nem tudtam elég jól a FI-DI szimulációs témát....<br /> * ''Pávó'': Kicsit innen kicsit onnan kérdez, tehát egy vizsga hibát kiveséz teljesen akár az egész elméletét a dolognak.<br /> * ''Horváth Zoltán'': Írásbelivel elért jegyeddel bemész, megkérdezi stabilizáljunk (egyszerűbb kérdések, marad a jegy) vagy billentsük ki (nehezebb kérdések, javítasz-rontasz). Én stabilitásra szavaztam így egyszerűeket kérdezett viszont azt nagyon alaposan kellett tudni.<br /> * ''Gyimóthy'': Korrekt volt, tőlem a DI szimulációt kérdezte, sok időt adott gondolkodni, bár mintha nála lett volna, hogy 3-asról 1-esre korrigált...<br /> * ''Bilicz'': Hallottam, hogy volt akivel jó arc volt és kérdezgetett, mikor én benn voltam akkor a srác elég sokat hibázott és csak annyit mondott neki, hogy szokj hozzá a szóbelihez, most elnézi, de volt akit a 4-es (!!!) írásbeli után megbuktatott, mert valami Fourier tétel levezetést nem tudott.<br /> * ''Bokor'': Maximálisan jó arc, inkább javít mint ront, de volt akinek azt mondta, hogy mivel nem tudja a modulációs témát, ezért 3-asról indul.<br /> * ''Veszely'': Elég változatosakat kérdez, (amit hallottam az Fourier, Laplace-Z transz, illetve DI-FI Fourier sor definíciók, illetve egy példát adott a transzformálásra, illetve már több embernél is bónusz kérdés volt, hogy mi is az a mértani sor)ha 2-esnél jobb írásbelivel mész akkor próbál segíteni (=néha megmondja helyetted) majd ront az írásbelin...<br /> * ''Szabó Zsolt'': Belenéz a vizsgába, amit elrontottál, abból kérdez, aztán kis kérdéseket tesz fel vegyesen az egész anyagból, tőlem pl Fouriert, rendszerjellemző függvényeket (ez elég népszerű kérdés), DI szimulációt és modulációt kérdezett. Tudtam majdnem mindent, és 2 jegyet javított az írásbelimen.<br /> Tehát függ erősen, hogy kihez jut az ember, szerintem Barbarics és HZ a legszerencsésebb szóbeliztető a mi szempontunkból. Ha jól emlékszem a szóbeli első 2 órájában 2 bukás volt össz, aztán fél óra alatt felugrott ez a szám vagy 10-re, közte a 4-esből karó meg hasonló dolgok, tehát én úgy látom, hogy attól is függ, hogy mikor kerül be az ember. Az átlagban viszont tartották magukat a + - 1 jegyhez.<br /> <br /> Amit még érdemes megemlíteni, hogy ha valaki jobb írásbelit ír (4-es 5-ös) ,akkor jobban szeretik a mintavételezést, jelrekonstrukciót, szimulációs témát feszegetni.<br /> <br /> 2013/14-őszén a leggyakrabban elhangzott szóbeli kérdések: Rendszerjellemző függvények; Fourier-Laplace transzformáció - Fourier sor képletek; Mindentáteresztő - Minimálfázisú rendszerek jellemzői; Jel- Hálózat sávszélessége; pólus-zérus ábráról mi olvasható le ill. hogyan írható fel belőle az átviteli függvény; operátoros impedanciák; konvolúciótétel; állapotváltozók fogalma; állapotváltozós leírás mátrixosan; Mintavételezés; Jelrekonstrukció; DI szimuláció; Válasz számítások;<br /> <br /> == Verseny ==<br /> <br /> Jelek és rendszerek tématerületen minden évben hirdetnek versenyt a karon, melynek itt megtekinthető a [http://verseny.vik.hk/versenyek/olvas/11?v=Jelek+%C3%A9s+rendszerek hivatalos honlapja]<br /> <br /> Elsősorban másodéves hallgatóknak ajánlják, tehát akik már Jelek és rendszerek 2 című tárgyat hallgatják, de akár felsőbb évesek is részt vehetnek rajta. Aki erőteljesebben érdeklődik a tárgy iránt, annak feltétlenül ajánlott a részvétel.<br /> <br /> *[[Media:Jelek_verseny_2013.jpg‎|2013-as feladatsor]]<br /> <br /> {{Lábléc_-_Villamosmérnök_alapszak}}<br /> {{Lábléc_-_Villamosmérnök_alapszak 2014}}</div>

Gyurós Péter https://vik.wiki/index.php?title=Jelek_%C3%A9s_rendszerek_2&diff=192879 2017-11-09T00:45:46Z

<p>Gyurós Péter: Hozzáadtam az általam készített oktatóvideókat.</p> <hr /> <div>{{Tantárgy<br /> |nev=Jelek és rendszerek 2<br /> |tárgykód=VIHVAB01<br /> |kredit=6<br /> |felev=3<br /> |kereszt=van<br /> |tanszék=HVT<br /> |kiszh=3 db<br /> |vizsga=írásbeli és szóbeli<br /> |nagyzh=1 db<br /> |hf=3 db<br /> |szak=villany<br /> |tad=https://www.vik.bme.hu/kepzes/targyak/VIHVA200/<br /> |targyhonlap=https://fourier.hvt.bme.hu/<br /> |levlista=[https://lists.sch.bme.hu/wws/info/jelek2 jelek2{{kukac}}sch.bme.hu]<br /> }}<br /> <br /> A tantárgy a [[Jelek és rendszerek 1]] tárgy folytatása. Célja megalapozni a folytonos idejű rendszerek vizsgálati módszereit a frekvencia és a komplex frekvencia tartományban, továbbá a különböző rendszerleírások alapján megismertetni a rendszerjellemzőket és kapcsolatukat. A folytonos idejű rendszerek elméletét követően, a diszkrét idejű jelek és rendszerek vizsgálati módszereinek tárgyalása az idő-, frekvencia-, és z-tartományban. A tantárgy megadja a folytonos idejű jelek és rendszerek diszkrét közelítésének elvi alapjait, és tárgyalja a folytonos idejű nemlineáris rendszerek és hálózatok analízisének alapvető módszereit.<br /> <br /> A tárgy követelményeit sikeresen teljesítő hallgatók felkészültek a folytonos idejű rendszerek legfontosabb számítási módszereinek alkalmazására a frekvencia- és komplex frekvencia tartományban, a diszkrét idejű rendszerek és hálózatok analízisére idő- frekvencia- és z-tartományban. Ismerik a folytonos- és diszkrét idejű jelek és rendszerek kapcsolatát, valamint a moduláció alapelméletét. – ''A tantárgy célkitűzései, a tantárgyi adatlapról.''<br /> <br /> == Követelmények ==<br /> <br /> * '''Előkövetelmény:''' A [[Jelek és rendszerek 1]] című tárgy teljesítése.<br /> * '''Jelenlét:''' Elméletileg az előadások és gyakorlatok 70%-án kötelező jelen lenni, de gyakorlatilag senki sem tartja számon.<br /> * '''Házi feladat:''' A félév során három egyedi házi feladatot kell megoldani. Ezeket 0-5 ponttal értékelik. A határidőre be nem adott házi feladat nem pótolható, értékelése 0 pont. Az aláírásba a két legjobb házi átlagpontszáma számít bele. Leadásuk nem kötelező, de erősen ajánlott.<br /> *# Folytonos idejű rendszer/hálózat vizsgálata a frekvencia és a komplex frekvencia tartományban<br /> *# Diszkrét idejű hálózatok vizsgálata az idő-, és frekvenciatartományban<br /> *# Diszkrét idejű hálózatok vizsgálata komplex frekvenciatartományban <br /> *'''KisZH:''' A félév során 3 darab 5 pontos kis zárthelyit kell megírni. Ezek pótlására nincs lehetőség. Minden gyakorlatvezető egyedileg válogatja össze, hogy pontosan melyik témakörből és mikor íratja meg. <br /> *'''NagyZH:''' A félév során egy nagy ZH van a 10. héten, amin 25 pont szerezhető, és még a szorgalmi időszakban egyszer pótolható.<br /> A félévközi pontszám az alábbi módon tevődik össze:<br /> *&lt;math&gt;FP={KZH_1+KZH_2+HFA+NZH}&lt;/math&gt; <br /> Ahol KZH&lt;sub&gt;x&lt;/sub&gt; a két legjobban sikerült kisZH-t, HFA a két legjobban sikerült házi feladat pontszámának az átlagát, NZH pedig a nagyZH pontszámát jelenti.<br /> Az aláírás megszerzésének feltétele, hogy a félévközi pontszám legalább 20 pont legyen.<br /> *'''Vizsga:''' Két részből áll: Egy írásbeliből és egy szóbeliből. Az írásbeli (60 pont) első fele két darab 15 pontos nagyfeladat (egyik FI másik DI), a második fele 15 darab 2 pontos kiskérdés. Csak sikeres írásbeli (legalább 25 pont) után kezdhető meg a szóbeli, melyen javítható/rontható is az írásbeli érdemjegye, akár meg is lehet bukni!<br /> <br /> == Jegyzetek, segédanyagok ==<br /> <br /> === Előadásvideók ===<br /> <br /> *[http://bme.videotorium.hu/hu/search/advanced?name=Jelek&amp;uploaddatefrom=&amp;uploaddatefromyear=&amp;uploaddatefrommonth=&amp;uploaddatefromday=&amp;uploaddateto=&amp;uploaddatetoyear=&amp;uploaddatetomonth=&amp;uploaddatetoday=&amp;createdatefrom=&amp;createdatefromyear=&amp;createdatefrommonth=&amp;createdatefromday=&amp;createdateto=&amp;createdatetoyear=&amp;createdatetomonth=&amp;createdatetoday=&amp;organization=83&amp;ortelius=&amp;keywords=Dr.+Gyim%C3%B3thy+Szabolcs+&amp;languages=&amp;contributorname=&amp;contributorjob= Előadásvideók] - 2013/14 őszi félévében ''Dr. Gyimóthy Szabolcs'' előadásainak felvételei. https://bme.videotorium.hu/en/channels/1578/jelek-es-rendszerek-2<br /> <br /> === Fourier-transzformáció ===<br /> <br /> *[[Media:fourier_transzformacio_HIT_jegyzet.pdf|Fourier-transzformáció a HIT tolmácsolásában]]<br /> <br /> *[http://phet.colorado.edu/hu/simulation/fourier JAVA-alapú szimuláció a phet.colorado.edu oldalról]<br /> <br /> *[http://www.tankonyvtar.hu/en/tartalom/tamop412A/2011-0013_kelemen_digitalis_jelfeldolgozas/41_periodikus_jelek_fourier_sora.html Link]: Fourier sorfejtés. transzformáció Dr. Kelemen András (SZTE) által<br /> <br /> === Jegyzetek ===<br /> <br /> *[[Media:Jelek és rendszerek 2 jegyzet.pdf|Teljes anyagot lefedő jegyzet]] - Dudás Márton jegyzete, melyet dr. Gyimóthy Szabolcs lektorált és jegyzetpályázatot nyert (ami &quot;kikerült a tananyagból&quot;, az az új tanrendre vonatkozik, a régi tárgyhoz az egész aktuális!)(Vannak benne hibák)<br /> *[http://www.mht.bme.hu/~bilicz/peldatar/villamos_matematika_bilicz.pdf Dr. Bilicz Sándor: A matematika villamosmérnöki alkalmazásairól, példákon keresztül] - Többek között a Fourier-, Laplace-, és z-transzformáció elmélete és hozzájuk kapcsolódó feladatok megoldással<br /> *[[Media:jelek2_jegyzet_2010osz_ea_TakacsPeti.pdf|Takács Péter: 2010 őszi előadások]]<br /> *[[Media:jelek2_jegyzet_2010osz_gyak_TakacsPeti.pdf|Takács Péter: 2010 őszi gyakorlatok]]<br /> *[[Media:jelek2_jegyzet_A-FI_Bilicz_jegyzet.pdf|Folytonos idejű jelekről jegyzet]] - ''Dr. Bilicz Sándor'' előadása (Kemecsey Zita munkája)<br /> *[[Media:jelek2_jegyzet_B-DiszkretIdo_Bilicz.pdf|Diszkrét idejű jelekről jegyzet]] - ''Dr. Bilicz Sándor'' előadása (Kemecsey Zita munkája)<br /> *[[Media:jelek2_jegyzet_C-MV_Bilicz_2012_tavasz.pdf|Mintavételezésről jegyzet]] - ''Dr. Bilicz Sándor'' előadása (Kemecsey Zita munkája)<br /> *[[Media:jelek2_jegyzet_Hare_kepletek.pdf|Képletgyűjtemény]] - Egy jó kis összefoglaló, mely tartalmazza szinte az összes szükséges képletet!<br /> <br /> ===Jelek és rendszerek tankönyv===<br /> * [[Media:Jelek_konyv_0tartalom.pdf |0. Fejezet]] - Tartalomjegyzék<br /> * [[Media:Jelek_konyv_1.pdf | 1. Fejezet]] - Alapfogalmak<br /> * [[Media:Jelek_konyv_2.pdf | 2. Fejezet]] - Analízis időtartományban<br /> * [[Media:Jelek_konyv_3.pdf | 3. Fejezet]] - Analízis frekvenciatartományban<br /> * [[Media:Jelek_konyv_4.pdf | 4. Fejezet]] - Analízis komplex frekvenciatartományban<br /> * [[Media:Jelek_konyv_5.pdf | 5. Fejezet]] - A MATLAB néhány alkalmazása<br /> * [[Media:Jelek_konyv_0targymutato.pdf | 6. Fejezet]] - Tárgymutató<br /> <br /> === Vizsgához segítség ===<br /> <br /> *[[Media:jelek2_jegyzet_2012_szobelire.pdf|Szóbelire összefoglaló]] - Gábor Norbert és Kondor Máté András munkája, de '''NEM TELJES!''' Ezektől eltérő kérdések is lehetnek a vizsgán, esetleg egy adott témakörbe részletesebben is belekérdezhetnek.<br /> <br /> *[[Media:jelek2_jegyzet_2013_lyq.pdf|Teljes előadásjegyzet]] - Klinkó Krisztián munkája. Dr. Gyimóthy Szabolcs 2013-as előadásainak jegyzete. Szerepel benne minden, ami előadáson elhangzott, kivéve az év végi &quot;érdekességek&quot;.<br /> <br /> *Abból az időből, amikor még Hálózatok és Rendszerek volt a tárgy neve, és szigorlattal zárult ''Gódor András'' készített egy elég terjedelmes és átfogó összefoglalót, mely még most is jól használható a vizsgakészüléshez. Bár kézzel írt és szkennelt, de akinek van türelme átnézni, az sok hasznos dolgot találhat benne:<br /> **[[Media:Jelek_HÁRE_szigorlat_1.PDF| Összefoglaló 1. rész]]<br /> **[[Media:Jelek_HÁRE_szigorlat_2.PDF| Összefoglaló 2. rész]]<br /> **[[Media:Jelek_HÁRE_szigorlat_3.PDF| Összefoglaló 3. rész]]<br /> <br /> *[[Jelek és rendszerek 2 - Veszely konzultáció 2008|2008 - Dr. Veszely Gyula által tartott konzultáció]], mely segít a házi megoldásában is.<br /> *[[Media:Jelek2 előadásjegyzet FI.pdf|E-book reader-re optimalizált FI jegyzet]], ''Bíró Tamás'' munkája<br /> <br /> === Modulációs témakör ===<br /> <br /> A tanév végén jellemzően 2-4 előadás van ebből a témakörből. A vizsgán szinte mindig van 2 modulációs kisfeladat. Továbbá a szóbelinél némelyik vizsgáztató nem szereti, ha semmit sem tudtok ebből a témakörből, szóval legalább egyszer azért érdemes átfutni.<br /> * A radarlab-os honlapról lementett &quot;rövid&quot; elméleti összefoglaló, mely teljes mértékben lefedi a vizsgához szükséges anyagrészt: [[Media:Jelek2_Moduláció_elméleti_összefoglaló.pdf|Elméleti összefoglaló]]<br /> * Szintén a radarlab-os honlapról származó, modulációs feladatok, hivatalos megoldásokkal. Elvileg csak ezek a típuspéldák lehetnek a vizsgán: [[Media:Jelek2_Moduláci_Gyakorló_feladatokésmegoldások.pdf‎|Gyakorló feladatok és megoldások]]<br /> * Továbbá néhány hasznos képlet: [[media:Jelek2_Moduláció_Képletek.pdf‎|Néhány hasznos képlet]]<br /> <br /> === Nemlineáris hálózatok ===<br /> <br /> Ez a témakör korábban a Jelek 1 része volt, azonban az új tárgyban átkerült a Jelek 2-be.<br /> <br /> === Oktatóvideók ===<br /> <br /> https://www.youtube.com/playlist?list=PLr5ptf0KeDOsLQJTniQK1tK16PywOy8UB - Cseppentő Bence és Radványi Patrik demonstrátorok közreműködésével készültek, a nagyZH témaköréből. Gyurós Péter munkája.<br /> <br /> == Számítógépes segédprogramok ==<br /> <br /> === Matlab ===<br /> <br /> &lt;p style=&quot;color:red;&quot;&gt; '''Figyelem! 2017 tavasztól letölthető a matlab legálisan bármely bme-s emailcímmel való regisztráció után [https://viki.eik.bme.hu/doku.php?id=mathworks:mathworks - részletek itt]''' &lt;/p&gt;<br /> A Matlab-ot használja a tanszék félhivatalosan (vagyis nem követelmény használni) a matematikai számítások, ábrázolások elvégzésére. A program [http://www.mathworks.com/products/matlab/ hivatalos weboldala].&lt;br /&gt;Hivatalos útmutató mely eredetileg a [[Szabályozástechnika|Szabályozástechnika]] című tárgyhoz készült - [[Media:MatLab_Utmutato_Szabtech_Jelek.pdf|Matlab útmutató]]&lt;br /&gt;Matlab alaputasítás összefoglaló, mely jól jöhet a házihoz (angol) - [[Media:Jelek1_MATLABösszefogalaló.pdf‎| Matlab parancsok]]&lt;br /&gt;Hosszabb Matlab gyorstalpaló, ábrák készítésének leírása, alapműveletek (angol) - [[Media:Jelek1_MATLABgyorstalpaló.pdf‎| Matlab gyorstalpaló]]<br /> <br /> === Wolfram Mathematica ===<br /> <br /> Tényleg nagyon jó program, rengeteg alapszintű beépített függvénnyel (kapásból megold neked több ismeretlenes, szimbolikus egyenletrendszereket) és közvetlenül is tud számolni sok olyan dolgot, amire amúgy a Matlabot szoktuk használni, mint például Fourier-sorfejtés vagy -transzformáció, állapotváltozós mátrixokból átviteli függvény meghatározása, stb. Érdemes megtanulni a használatát. '''Fizetős program!'''&lt;br /&gt;[http://www.wolfram.com/mathematica/ Hivatalos weboldal]<br /> <br /> === Wolfram Alpha ===<br /> <br /> Egy szűk részhalmazát tudja ingyen online azoknak a műveleteknek, amiket a Wolfram Mathemethica tud, de még így is nagyon jól használható! (Deriválás, integrálás, egyenletmegoldás, stb.)&lt;br /&gt;Hivatalos honlap: [http://www.wolframalpha.com/ Wolfram Alpha]<br /> <br /> === MAPLE ===<br /> <br /> Könnyen kezelhető, tudja körülbelül ugyanazt mint a Wolfram Mathematica. Házihoz nagyon jól használható (egyenletrendezés, parciális törtekre bontás, numerikus számítások stb.)&lt;br /&gt;[http://www.maplesoft.com/products/Maple/ Hivatalos weboldal]&lt;br /&gt;Egy jól használható Maple gyorstalpaló, mely bemutatja az alap funkciókat: [[Media: Jelek1_MAPLE.pdf‎| MAPLE gyorstalpaló]] - Házihoz nagyon hasznos!<br /> <br /> === ANDI ===<br /> <br /> A diszkrét idejű, második házi feladat ellenőrzéséhez rendkívül hasznos program. Egy tanszéki munkatárs fejlesztette még évekkel ezelőtt, '''teljesen jogtisztán''' használható. Még DOS-ra írták meg a programot, így telepítése kicsit problémás, de alább olvasható egy részletes útmutató:<br /> # Lépés: [[Media:jelek2_ANDI.zip|ANDI.zip]] letöltése, majd kicsomagolása a '''C:\''' mappába<br /> # Lépés: [http://sourceforge.net/projects/dosbox/files/dosbox/0.74/DOSBox0.74-win32-installer.exe/download DOSbox] DOS emulátor letöltése és telepítése<br /> # Lépés: DOSbox elindítása majd az alábbi parancsok begépelése:<br /> ## Parancs: '''mount c c:\ANDI'''<br /> ## Parancs: '''c:'''<br /> ## Parancs: '''ANDI.exe'''<br /> # Lépés: '''Configurate''' menüpont és ott minden '''DIR'''-t át kell írni '''C:\''' -re.<br /> # Lépés: Teszteld, hogy működik-e egy egyszerű hálózattal: '''graph editor''' -&gt; '''insert''', majd írd be pl hogy: ''i d o'' ('''i''':input '''d''':delay '''o''':output '''l''':line '''m''':erősítő) aztán nyomj egy '''escape''' -t.<br /> # Lépés: '''Analyse''' menüpont: Errort fog dobni, de entert nyomva bevisz a '''Text Editor'''-ba, ahol annyi a dolgod, hogy az első sorba a '''Network: valamirandomakármi;''' legyen írva. '''Escape''', majd újra '''Analyse''' és mennie kell.<br /> # Lépés: Amikor a konkrét hálózatodat rajzolod be, akkor arra figyelj, hogy minden vonalon legyen erősítő. Ha a rajzodban nincs valamelyik vonalon erősítő, akkor egy egyszeres erősítésűt rakj be, hogy tudja a program, milyen irányítású a jelfolyamhálózat. (Ekvivalens a nyilacskákkal a rajzon). Ezt még akkor is csináld meg, ha amúgy egyértelmű, hogy merre folyik! Menteni is lehet a '''graph'''-ot utána. Ha error-t dob először, akkor a 6-os pontban leírtakat kell követni.<br /> <br /> == Házi feladatok ==<br /> <br /> A hivatalos leadási határidők csak irányadóak, valójában a gyakvezér határozza meg a pontos leadási határidőt. Mindig megvárják, hogy minden elhangozzon a gyakorlatokon, ami az adott házi elkészítéséhez szükséges. Nem célszerű az utolsó napokra hagyni, mivel mindkét házi megírása külön-külön '''legalább 10-15 órát''' igénybe vesz! Ajánlatos folyamatosan dolgozni vele, ugyanis adott feladatsorban a feladatok úgy követik egymást, ahogy a megoldásukhoz szükséges elméleti anyag elhangzik az előadásokon. Továbbá minden gyakvezérnek van rendszeres konzultációs időpontja, így ha időben szembesültök a problémával, akkor még van idő rákérdezni és javítani.<br /> <br /> A gyakvezér által kijelölt határidőt viszont mindenképpen érdemes tartani, ugyanis az időben leadott, de nem elfogadható házik javítására a félév során van még egy lehetőség. A határidőre le nem adott háziknak viszont elsőre hibátlannak kell lenniük, valamint különeljárási díjat kell fizetni!<br /> <br /> {| style=&quot;border-spacing: 1em; width:70%;&quot;<br /> | style=&quot;vertical-align: top; width:50%;&quot; |<br /> <br /> === Első házi, folytonos időből ===<br /> <br /> *[[Media:jelek2_hf1_Anon1.pdf|Kidolgozás egy gyakvezér honalpjáról]] H34 J12<br /> <br /> *[[Media:jelek2_hf1_Erdei_Bence.pdf|Erdei Bence munkája]] H17 J6[[:File:J6.jpg]] itt a 6 jel eredetije ez a kidolgozásban nem szerepel.<br /> <br /> *[[Media:Jelek2_hf1_SZN.pdf|Szabó Norbert munkája]] H33 J10<br /> <br /> *[[Media:jelek2_hf1_Janosi_Gergely_Peter.pdf| Jánosi Gergely Péter munkája]] ? J15<br /> <br /> *[[Media:jelek2_hf1_Erdos_Peter.pdf| Erdős Péter munkája]] H20 J11<br /> <br /> *[[Media:jelek2_hf1_Fazekas_Gergely.pdf| Fazekas Gergely munkája]] H22 J15 - '''40 MB!''' <br /> <br /> *[[Media:jelek2_hf1_Matuska_Timot.pdf| Matuska Timót munkája]] H30 J11<br /> <br /> *[[Media:jelek2_hf1_Turoczi_Zoltan.pdf| Turóczi Zoltán munkája]] H9 J13<br /> <br /> *[[Media:Jelek2_hf1_Szvoboda_Mark.pdf|Szvoboda Márk munkája]] H17 J10<br /> <br /> *[[Media:jelek2_1hf_berenyi_norbert.pdf|Berényi Norbert munkája]] H36 J03<br /> <br /> *[[:Media:Jelek2_hf1_2013_Seyler_Lajos.pdf|Seyler Lajos munkája]] H16 J03<br /> <br /> *[[Media:jelek2_hf1_illés_attila.pdf|Illés Attila munkája]] ? ?<br /> <br /> *[[Media:Jelek2_hf1_2013_Tolnai_Daniel.pdf|Tolnai Dániel munkája]] H6 J8<br /> <br /> | style=&quot;vertical-align: top; width:50%;&quot; |<br /> <br /> === Második házi, diszkrét időből ===<br /> <br /> *[[Media:jelek2_hf2_2008_Ban_Marton.pdf|Bán Márton munkája]]<br /> <br /> *[[Media:jelek2_hf2_2010_2011_osz_Ihasz_David.pdf|Ihász Dávid munkája]]<br /> <br /> *[[Media:jelek2_hf2_Erdei_Bence.pdf|Erdei Bence munkája]]<br /> <br /> *[[Media:jelek2_hf2_Erdos_Peter.pdf|Erdős Péter munkája]]<br /> <br /> *[[Media:jelek2_hf2_Janosi_Gergely_Peter.pdf|Jánosi Gergely Péter munkája]]<br /> <br /> *[[Media:jelek2_hf2_TurcziZoltn.pdf| Turóczi Zoltán munkája]]<br /> <br /> *[[Media:Jelek2_2HÁZI_Szücs_Péter.pdf‎| Szücs Péter munkája]]<br /> <br /> *[[Media:Jelek2_hf2_Szvoboda_Mark.pdf|Szvoboda Márk munkája]]<br /> <br /> *[[:Media:Jelek2_hf2_2013_Seyler_Lajos.pdf| Seyler Lajos munkája]]<br /> <br /> *[[Media:jelek2_hf2_illés_attila.pdf| Illés Attila munkája]]<br /> <br /> *[[Media:Jelek2_hf2_Szabo_Norbert.pdf|Szabó Norbert munkája]]<br /> <br /> *[[Media:Jelek2_hf2_2013_Tolnai_Daniel.pdf| Tolnai Dániel munkája]]<br /> <br /> |}<br /> <br /> == Zárthelyik ==<br /> {| style=&quot;border-spacing: 1em; width:70%;&quot;<br /> | style=&quot;vertical-align: top; width:50%;&quot; |<br /> === ZH ===<br /> *[[Média:Jelek2_zh_2015osz_B.pdf|2015/16 ősz]] - B csoport, megoldásokkal<br /> *[[Média:Jelek2_zh_2016tavasz_B.pdf|2015/16 tavasz]] - B csoport, megoldásokkal<br /> *[[Média:jelek2_zh_201617-1.jpg|2016/17 ősz]]<br /> *[[Média:Jelek2_zh_201718_1.pdf|2017/18 ősz]] - megoldásokkal<br /> <br /> <br /> | style=&quot;vertical-align: top; width:50%;&quot; |<br /> <br /> === Pót ZH ===<br /> *[[Média:Jelek2_potzh_2016tavasz.pdf|2015/16 tavasz]] - megoldásokkal<br /> <br /> |}<br /> <br /> == Vizsgák ==<br /> <br /> A vizsga írásbeli és szóbeli részből áll. Az írásbeli 60 pontos és két részből áll, mindkettő 30 pontos és 1 óra áll rendelkezésre. Az első részben két 15 pontos nagypéldát kell megoldani. Az egyik mindig folytonos, a másik diszktrét idejű rendszerek témakörből van. A második részben 15 darab 2 pontos egyszerű számpélda van. Ezeknél csak a végeredményt nézik, a mellékszámításokat nem. Minimális hiba esetén 1 pont kapható. A sikeres írásbelihez legalább 25 pontot kell elérni! (Az nem számít, hogy melyik részből hány pontot szedtek össze).<br /> <br /> Az írásbeli után kötelező szóbelizni! A legtöbb vizsgáztató az írásbelin elrontott feladatok elméletébe kérdez bele, így célszerű az írásbeli után megbeszélni a feladatokat. Általában csak maximum egy jegyet módosít a szóbeli, de ha egy alapfogalommal vagy alaptétellel nem vagytok tisztában akkor simán megbuktatnak. a ketteshez minden témakörből tudni kell az alapfogalmakat, tételeket és mindenről tudni kell hogy miért és hogyan használjuk.<br /> <br /> [[Media:Jelek2_szobeli_2015osz.pdf|Hivatalos honlapról segédlet a szóbelihez]] - NEM csak ezek a kérdések lehetnek a vizsgán!<br /> <br /> === Régi vizsgafeladatsorok ===<br /> <br /> Régi wikiről összegyűjtött, vágott, kicsit minőség javított, rendszerezett vizsgafeladatsorok.<br /> Az elmúlt években volt némi tematikai változás a jelek 1 és jelek 2 között, így a 2010 előtti vizsgákban lehetnek olyan kérdések amik igazából jelek 1-es témakörök, szóval ezek valószínűleg max csak egy kisfeladat erejéig, vagy egyáltalán nem is szerepelnek az újabb vizsgákban! (pl: nemlineáris építőelemek)<br /> <br /> ==== Jó minőségű képek, &quot;hivatalos&quot; megoldásokkal ====<br /> <br /> Célszerű időrendben hátrafelé haladni.<br /> <br /> Néhol nem hivatalosak a megoldások, így előfordulhatnak hibák! Kérlek ha hibát észleltek akkor jegyezzétek a [[Jelek és rendszerek 2 - Vizsgák ismert hibái]] rovatban!<br /> <br /> [[Media:Jelek2kidolg.pdf|Kidolgozott vizsgák]] - Kidolgozott vizsgák 2012.05.30-tól 2013.12.23-ig, 34 oldalnyi részletes megoldás<br /> <br /> {| style=&quot;border-spacing: 1em; width: 60%;&quot;<br /> | style=&quot;vertical-align: top; width: 33%;&quot; |<br /> <br /> *2003/04 - kereszt:<br /> **[[Media:Jelek2_vizsga_2004-06-07.pdf‎|2004.06.07]]<br /> **[[Media:Jelek2_vizsga_2004-06-14.pdf‎|2004.06.14]]<br /> *2006/07:<br /> **[[Media:Jelek2_vizsga_2007.01.09.pdf‎|2007.01.09]]<br /> **[[Media:Jelek2_vizsga_2007.01.16.pdf|2007.01.16]]<br /> *2006/07 - kereszt:<br /> **[[Media:Jelek2_vizsga_2007-06-11.pdf‎|2007.06.11]]<br /> *2007/08:<br /> **[[Media:Jelek2_vizsga_2007-01-18.pdf|2008.01.08]]<br /> *2007/08 - kereszt:<br /> **[[Media:Jelek2_vizsga_2008-06-10.pdf‎|2008.06.10]]<br /> *2008/09:<br /> **[[Media:Jelek2_vizsga_2009-01-19.pdf‎|2009.01.19]]<br /> *2008/09 - kereszt:<br /> **[[Media:Jelek2_vizsga_2009-06-09.pdf‎|2009.06.09]]<br /> *2009/10:<br /> **[[Media:Jelek2_vizsga_2009-12-22.pdf‎|2009.12.22]]<br /> <br /> <br /> | style=&quot;vertical-align: top; width: 33%;&quot; |<br /> <br /> *2010/11:<br /> **[[Media:Jelek2_vizsga_2011-01-07.pdf‎|2011.01.07]]<br /> **[[Media:Jelek2_vizsga_2011-01-14.pdf‎|2011.01.14]]<br /> **[[Media:Jelek2_vizsga_2011-01-21.pdf|2011.01.21]]<br /> *2010/11 - kereszt:<br /> **[[Media:Jelek2_vizsga_2011-05-24.pdf‎|2011.05.24]]<br /> **[[Media:Jelek2_vizsga_2011-05-31.pdf|2011.05.31]]<br /> *2011/12:<br /> **[[Media:Jelek2_vizsga_2011-12-20.pdf‎|2011.12.20]]<br /> **[[Media:Jelek2_vizsga_2012-01-03_Acsoport.pdf‎|2012.01.03 - A csoport]]<br /> **[[Media:Jelek2_vizsga_2012-01-03_Bcsoport.pdf‎|2012.01.03 - B csoport]]<br /> **[[Media:jelek2_vizsga_2012.01.10_megoldokulcs_3.pdf|2012.01.10]]<br /> *2011/12 - kereszt:<br /> **[[Media:Jelek2_vizsga_2012-05-30.pdf|2012.05.30]]<br /> **[[Media:jelek2_vizsga_2012jun12_megoldokulccsal.pdf|2012.06.12]]<br /> *2012/13:<br /> **[[Media:Jelek2_20130108_vizsga.pdf|2013.01.08]]<br /> **[[Media:Jelek2_vizsga_2013-01-15.pdf|2013.01.15]]<br /> **[[Media:Jelek2 vizsga 20130122.pdf |2013.01.22]]<br /> <br /> | style=&quot;vertical-align: top; width: 33%;&quot; |<br /> <br /> *2012/13 - kereszt:<br /> **[[Media:Jelek2_vizsga_20130605.pdf |2013.06.05]]<br /> **[[Media:Jelek2_vizsga_2013-06-11.PDF |2013.06.11]]<br /> *2013/14:<br /> **[[Media:Jelek2_vizsga_2013.12.23.pdf|2013.12.23]]<br /> **[[Media:Jelek2_vizsga_20140114.PDF|2014.01.14]]<br /> **[[Media:Jelek2_vizsga_2014-01-21.PDF|2014.01.21]]<br /> *2013/14 - kereszt:<br /> **[[Media:Jelek2_vizsga_2014-06-10.pdf|2014.06.10]]<br /> *2014/15:<br /> **[[Media:Jelek2_vizsga_2015.01.13.pdf|2015.01.13]]<br /> **[[Media:Jelek2_2015.01.20_vizsga.pdf|2015.01.27]]<br /> *2014/15 - kereszt:<br /> **[[Media:Jelek2_vizsga_20150602.pdf|2015.06.02.]] - [[Media:Jelek2_vizsga_20150602_mo.pdf|(nemhivatalos mo.)]]<br /> **[[Media:jelek2_vizsga_20150609.pdf|2015.06.09.]]<br /> *2015/16:<br /> **[[Media:jelek2_vizsga_20160112.pdf|2016.01.12.]]<br /> **[[Media:jelek2_vizsga3_2016_01_16.pdf|2016.01.19]]<br /> **[[Media:jelek2_v4_2016_01_26.pdf|2016.01.26]]<br /> <br /> | style=&quot;vertical-align: top; width: 33%;&quot; |<br /> <br /> *2015/16 - kereszt:<br /> **[[Media:Jelek2_vizsga_20160614.pdf|2016.06.14]]<br /> |}<br /> <br /> <br /> <br /> ==== Gyengébb minőségű képek/hiányos feladatsorok ====<br /> <br /> Ezeket csak akkor oldjátok, ha az előző kupacból már mindent átnéztetek!<br /> <br /> *[[Media:Jelek2_vizsga_2008-01-04.pdf‎|2008.01.04]]<br /> <br /> *[[Media:Jelek2_vizsga_2008-01-08.pdf‎|2008.01.08]]<br /> <br /> *[[Media:Jelek2_vizsga_2008-06-17.pdf‎|2008.06.17]]<br /> <br /> *[[Media:Jelek2_vizsga_2008-12-22.pdf‎|2008.12.22]]<br /> <br /> *[[Media:Jelek2_vizsga_2009-01-12.pdf‎|2009.01.12]]<br /> <br /> *[[Media:Jelek2_vizsga_2010-01-15.pdf‎|2010.01.15]]<br /> <br /> *[[Media:Jelek2_vizsga_20140610.PDF|2014.06.10]]<br /> <br /> *[[Media:jelek2_vizsgakicsik_2015_06_16.jpg|2015.06.16]]<br /> <br /> *[[Media:jelek2_vizsgakicsik_2017_01_03.jpg|2017.01.03]]<br /> <br /> === Gondolatok a szóbeliről ===<br /> <br /> '''Tapasztalatok a levlistáról''': Nagyon változatos, attól függ kihez kerülsz. Van aki az írásbelibe kérdezget, van aki random témát dob fel. A többségnek sikerül tartania az írásbeli jegyét, sőt javítani is lehet 1 vagy nagyon ritkán max 2 jegyet. Viszont rontani is nagyon egyszerű. Ha egy témakörből nagyon gyengék vagytok és belekérdeznek, akkor szinte garantált az 1-2 jegy mínusz. Bukni viszont akár 5-ös írásbelivel is lehet, ha belekérdeznek egy fontos alaptémakörbe, és abszolút fogalmatok sincs róla, akkor garantált a bukás!<br /> <br /> * ''Barbarics'': Leginkább a vizsgában lévő hibákra kérdez rá, meg egy-két bónusz kérdés. <br /> * ''Reichardt'': Bele sem néz a vizsgába, random kérdést ad, jó hosszan kínoz aztán nekem pl rontott mert nem tudtam elég jól a FI-DI szimulációs témát....<br /> * ''Pávó'': Kicsit innen kicsit onnan kérdez, tehát egy vizsga hibát kiveséz teljesen akár az egész elméletét a dolognak.<br /> * ''Horváth Zoltán'': Írásbelivel elért jegyeddel bemész, megkérdezi stabilizáljunk (egyszerűbb kérdések, marad a jegy) vagy billentsük ki (nehezebb kérdések, javítasz-rontasz). Én stabilitásra szavaztam így egyszerűeket kérdezett viszont azt nagyon alaposan kellett tudni.<br /> * ''Gyimóthy'': Korrekt volt, tőlem a DI szimulációt kérdezte, sok időt adott gondolkodni, bár mintha nála lett volna, hogy 3-asról 1-esre korrigált...<br /> * ''Bilicz'': Hallottam, hogy volt akivel jó arc volt és kérdezgetett, mikor én benn voltam akkor a srác elég sokat hibázott és csak annyit mondott neki, hogy szokj hozzá a szóbelihez, most elnézi, de volt akit a 4-es (!!!) írásbeli után megbuktatott, mert valami Fourier tétel levezetést nem tudott.<br /> * ''Bokor'': Maximálisan jó arc, inkább javít mint ront, de volt akinek azt mondta, hogy mivel nem tudja a modulációs témát, ezért 3-asról indul.<br /> * ''Veszely'': Elég változatosakat kérdez, (amit hallottam az Fourier, Laplace-Z transz, illetve DI-FI Fourier sor definíciók, illetve egy példát adott a transzformálásra, illetve már több embernél is bónusz kérdés volt, hogy mi is az a mértani sor)ha 2-esnél jobb írásbelivel mész akkor próbál segíteni (=néha megmondja helyetted) majd ront az írásbelin...<br /> * ''Szabó Zsolt'': Belenéz a vizsgába, amit elrontottál, abból kérdez, aztán kis kérdéseket tesz fel vegyesen az egész anyagból, tőlem pl Fouriert, rendszerjellemző függvényeket (ez elég népszerű kérdés), DI szimulációt és modulációt kérdezett. Tudtam majdnem mindent, és 2 jegyet javított az írásbelimen.<br /> Tehát függ erősen, hogy kihez jut az ember, szerintem Barbarics és HZ a legszerencsésebb szóbeliztető a mi szempontunkból. Ha jól emlékszem a szóbeli első 2 órájában 2 bukás volt össz, aztán fél óra alatt felugrott ez a szám vagy 10-re, közte a 4-esből karó meg hasonló dolgok, tehát én úgy látom, hogy attól is függ, hogy mikor kerül be az ember. Az átlagban viszont tartották magukat a + - 1 jegyhez.<br /> <br /> Amit még érdemes megemlíteni, hogy ha valaki jobb írásbelit ír (4-es 5-ös) ,akkor jobban szeretik a mintavételezést, jelrekonstrukciót, szimulációs témát feszegetni.<br /> <br /> 2013/14-őszén a leggyakrabban elhangzott szóbeli kérdések: Rendszerjellemző függvények; Fourier-Laplace transzformáció - Fourier sor képletek; Mindentáteresztő - Minimálfázisú rendszerek jellemzői; Jel- Hálózat sávszélessége; pólus-zérus ábráról mi olvasható le ill. hogyan írható fel belőle az átviteli függvény; operátoros impedanciák; konvolúciótétel; állapotváltozók fogalma; állapotváltozós leírás mátrixosan; Mintavételezés; Jelrekonstrukció; DI szimuláció; Válasz számítások;<br /> <br /> == Verseny ==<br /> <br /> Jelek és rendszerek tématerületen minden évben hirdetnek versenyt a karon, melynek itt megtekinthető a [http://verseny.vik.hk/versenyek/olvas/11?v=Jelek+%C3%A9s+rendszerek hivatalos honlapja]<br /> <br /> Elsősorban másodéves hallgatóknak ajánlják, tehát akik már Jelek és rendszerek 2 című tárgyat hallgatják, de akár felsőbb évesek is részt vehetnek rajta. Aki erőteljesebben érdeklődik a tárgy iránt, annak feltétlenül ajánlott a részvétel.<br /> <br /> *[[Media:Jelek_verseny_2013.jpg‎|2013-as feladatsor]]<br /> <br /> {{Lábléc_-_Villamosmérnök_alapszak}}<br /> {{Lábléc_-_Villamosmérnök_alapszak 2014}}</div>

Gyurós Péter