Alkalmazott mesterséges intelligencia

Alkalmazott mesterséges intelligencia

Tárgykód	VIMIBB01
Általános infók
Szak	üzemmérnök
Kredit	5
Ajánlott félév	3
Keresztfélév	nincs
Tanszék	MIT
Követelmények
Labor	6 db
KisZH	nincs
NagyZH	1 db
Házi feladat	nincs
Vizsga	írásbeli
Elérhetőségek
Tantárgyi adatlap
Tárgyhonlap

A tantárgy fő célkitűzése a mesterséges intelligencia területének rövid, ám igényes, elsősorban alkalmazásra irányuló bemutatása. A bemutatás lépései: az intelligens viselkedés mibenléte, fontossága alkalmazásának célja, a számítási modellekkel való kifejezésének problémaköre, a mesterséges intelligencia alapvető formális és heurisztikus módszereinek bemutatása, alkalmazásának lehetőségei és korlátai a gyakorlati megvalósítás módszerei és problémái.

Követelmények

Előtanulmányi rend

• A tárgy felvételéhez az Algoritmusok és gráfok és a Programozás alapjai előzetes vagy egyidejű felvétele szükséges.

A szorgalmi időszakban

• Az előadásokon vannak kvízek (általában 3-5 db előadásonként), és négy helyes megoldásért jár egy jutalompont.
• A laboron megjelenés kötelező. A 6 laborból 4 teljesítése kötelező, de a megajánlott jegyhez mind a 6 labor teljesítése elvárt. A laborok kéthetente vannak és 4 óra hosszúak lesznek. Nem vészesek, minimális programozói tudás szükséges hozzá. Ha valaki a minimumkövetelményeken túl teljesít laborokat, akkor darabonként +5 pont jár értük. Főleg Pythonban, Google Colabolatory használatával kell dolgozni.
• Mint néhány más tárgynál, itt is meglehet csinálni a laborokat otthon, és csak kivárni, hogy be tudd mutatni.
• A ZH legalább elégséges szintű (40%) teljesítése. Maximum 30 pontos, de az előadáson szerzett jutalompont beszámítanak, még az elégéses szint eléréséhez is.
• Megajánlott jegy: van. Mind a 6 labor teljesítése elvárt és még ZH pontszám + plusz pontok >= 26 is egy követelmény.

• Pótlási lehetőségek:
  • A ZH szorgalmi időszakban egyszer pótolható, pót-pót ZH már nincs.
  • A laborok nem pótolhatóak, de a laborvezetőtől függően lehet késedelmesen beadni (ezzel kapcsolatban érdemes rákérdezni az adott labor laborvezetőjénél).

A vizsgaidőszakban

• A vizsga 60 pontos.
  • Legalább elégséges (40%) teljesítése szükséges.

Félévvégi jegy

• Pontszámítás: Viszga(max. 60) + Zh(max. 30) + NemKötelezőLaborok(max. 10) + ElőadásJutalompontok.
• Ponthatárok:

Pont	Jegy
0,0 - 40,0	1
40,0 - 49,0	2
49,5 - 64,0	3
64,5 - 79.5	4
80,0 +	5

Tematika

Előadás

A prezentációk a Moodle-re vannak feltöltve.

• 1. hét: követelmények, bevezetés (korábbi előadás kvízkérdésekkel)
• 2. hét: neminformált (vak) keresési stratégiák (korábbi előadás kvízkérdésekkel): BFS, Dijkstra (uniform-cost), DFS (DLDFS, IDS), kétirányú; informált (heurisztikus) keresési stratégiák (korábbi előadás kvízkérdésekkel): optimista, greedy, A*
• 3. hét: logikai következtetésen alapuló szabályalapú rendszerek (kvízkérdésekkel): szintaxis, általános következtetési szabályok (igazságtáblázat, előrefele és hátrafele következtetés), működési ciklus, intelligens logikai ágens, ...
• 4. hét: házi feladat az órára: valószínűségi axiómák és állítások, Bayes-tétel (műveletek), együttes valószínűségeloszlás, marginális / feltételes eloszlás, feltételes függetlenség, normalizálás; valószínűségi hálók (korábbi előadás kvízkérdésekkel): valószínűségérték, haszna és jellemzői, Bayes-tétel összegzése rejtett változókra, következtetés felsorolással, irreleváns változók eliminálása, komplexitástípusok (lekérdezések); döntési fák (korábbi előadás kvízkérdésekkel): triviális és igazi fa
• 5. hét: szünet
• 6. hét: döntési fák, folytatás (korábbi előadás kvízkérdésekkel): szükséges információmennyiség, részfasúly, maradék és nyereség, túltanulás és elkerülése (korai leállás, pruning); neurális hálók: tanítás típusai ((un)supervised, half supervised, reinforcement learning, gradiens alapú és annak hibája), perceptron (bátorsági faktor)
• 7. hét: neurális hálók, folytatás (korábbi előadás kvízkérdésekkel): szigmoid neuron: hibavisszaterjesztés; MLP: túltanulás és annak elkerülése (dimenzióredukció, konvolúciós rétegek, dropout, augmentáció, LSTM, transzfertanulás); gyakorlás a ZH-ra
• 8. hét: szünet
• 9. hét: racionális multiágensek: tranzitív preferencia, szavazási protokollok (plurality / majority rule, bordaszavazás, Condorcet-győztes), erőforrás-elosztás (árverés, közbeszerzés (első- és, másodválasztásos), Nash-egyensúly); kompetitív ágensek: minimax (⍺–β-nyesés), kiértékelőfüggvény
  • A 14. dián a 2. táblázat 8. oszlopának utolsó sorában a w helyesen: x.
• 10. hét: tanulás: felügyelt: nemfelügyelt (klaszterezés): diszkriminatív (K-means), generatív (Gauss); megerősítéses (korábbi előadás kvízkérdésekkel): szekvenciális döntési probléma
• 11. hét: az előző hét folytatása: várható hasznosság, szekvenciális döntési probléma (véges és végtelen horizontú): Markov döntési folyamat, Bellman-egyenlet (leszámítolási tényező, értékiteráció, eljárásmód-iteráció); megerősítéses tanulás (korábbi előadás kvízkérdésekkel): passzív (Q-érték, közvetlen hasznosságbecslés, adaptív dinamikus programozás, időbeli különbség tanulása), aktív (felfedező / (ε-)mohó ágens)
• 12. hét: az előző hét folytatása: felfedezési függvény (pszeudokód), általánosító képesség; gyakorlás
• 13. hét: NLP: nehézségek, története; statisztikai tulajdonságok, pipeline, nyelvi modellek (javítása), NLTK, Shtylo, szóbeágyazások, nyelvtan, parsing, kontrollált nyelvek; Amazon Alexa, wake word, invocation name, intent, slot; LLM, ChatGPT
• 14. hét: kényszerkielégítési problémák (CSP): kezdeti állapot, operátor, célállapotteszt; keresési fa, előretekintő ellenőrzés; tárgyterület-független heurisztikák: MRV, legkevésbé korlátozó érték, lokális keresés; gyakorlás (korábbi előadás)

Labor

A linkek a Teams-re vannak feltöltve.

• 1. hét: elmaradt
• 2. hét: útkeresések a 11. kerület térképén: BFS, DFS, Dijkstra (uniform-cost search), greedy, A*
• 3. hét: szünet
• 4. hét: autós fáradtságérzékelő rendszer: valószínűségi változók egy Bayes-hálóban, döntési háló (mintából tanulás)
• 5. hét: szünet

• 2. labor - Logika: egyedibb labor, ahol virtuális gépen kell dolgozni CLIPS-ben
  • A mellékelt segédanyagokat nem kell tudni, de a "labor bevezetőt" érdemes megnézni, mert egyébként nem valószínű, hogy a labor végéig befejezi az ember.
• 5. labor - Neurális hálók: Google Colab jegyzőkönyves labor
• 6. labor - Natural Language Processing: hagyományos (Word) jegyzőkönyves labor
  • Minimális munkát igényel a labor alkalma előtt, de valójában a "legegyszerűbb" labor.

Segédanyagok

• Előadások kvízkérdéseinek megoldásai (2019)

ZH

• 2023. ősz
  • ZH, ZH megoldásokkal
• 2022. ősz
  • ZH
  • PZH
• 2021. ősz
  • Mintafeladatok
  • ZH
• 2020. ősz
  • ZH megoldásokkal
  • PZH megoldásokkal
• 2019. ősz
  • Mintafeladatok
  • ZH, megoldások
  • PZH, megoldások

Vizsga

• 2023. ősz
  • 1. vizsga, megoldások
• 2021. ősz
  • 1. vizsga, megoldások
• 2019. ősz
  • Mintafeladatok
  • 1. vizsga, megoldások
  • 2. vizsga, megoldások
  • 3. vizsga, megoldások

Üzemmérnök-informatikus BProf
1. félév	Algoritmusok és gráfok  •  A programozás alapjai  •  Bevezető matematika B  •  Digitális kompetenciák  •  Hardver alapok  •  Kalkulus
2. félév	Hálózatok alapjai és üzemeltetése  •  Kísérleti fizika  •  Objektumorientált programozás  •  Operációs rendszerek B  •  Valószínűségszámítás B
3. félév	Adatkezelés  •  Alkalmazott mesterséges intelligencia  •  Eseményvezérelt és vizuális programozás  •  Kódolás és IT biztonság  •  Szoftvertechnológia és -technikák
4. félév	Elektronika alapjai  •  Jelek és jelfeldolgozás  •  Menedzsment és vállalkozásgazdaságtan
5. félév	Mikro- és makroökonómia B  •  Jogi alapismeretek
6. félév	Záróvizsga