„Adatalapú megoldások” változatai közötti eltérés
Ugrás a navigációhoz
Ugrás a kereséshez
(→ZH) |
|||
(27 közbenső módosítás ugyanattól a szerkesztőtől nincs mutatva) | |||
11. sor: | 11. sor: | ||
|nagyzh=1 db | |nagyzh=1 db | ||
|hf=nincs | |hf=nincs | ||
− | |vizsga= | + | |vizsga=szóbeli |
|tad=https://portal.vik.bme.hu/kepzes/targyak/VITMBB02/ | |tad=https://portal.vik.bme.hu/kepzes/targyak/VITMBB02/ | ||
|targyhonlap= | |targyhonlap= | ||
|levlista= }} | |levlista= }} | ||
− | |||
− | |||
− | |||
A tantárgy célja a hallgatók megismertetése az adatfókuszú Python nyelv azon eszköztárával, amelynek segítségével megoldhatók tipikus adatközpontú problémák. A sokszínű feladatok között a hallgatók megtanulhatják a szükséges munkafolyamatokat, azaz automatikus adatletöltést, adatok integrálását és áttöltését különböző API-k segítségével, illetve annak a technikáját, hogy hogyan kell a prediktív analitikai megoldásokat különböző előrejelzési környezetbe integrálni. A tárgy elvégzése után a hallgató képes lesz alapszintű, integrált, adatközpontú megoldások kialakítására és üzemeltetésére. | A tantárgy célja a hallgatók megismertetése az adatfókuszú Python nyelv azon eszköztárával, amelynek segítségével megoldhatók tipikus adatközpontú problémák. A sokszínű feladatok között a hallgatók megtanulhatják a szükséges munkafolyamatokat, azaz automatikus adatletöltést, adatok integrálását és áttöltését különböző API-k segítségével, illetve annak a technikáját, hogy hogyan kell a prediktív analitikai megoldásokat különböző előrejelzési környezetbe integrálni. A tárgy elvégzése után a hallgató képes lesz alapszintű, integrált, adatközpontú megoldások kialakítására és üzemeltetésére. | ||
29. sor: | 26. sor: | ||
*A '''ZH''' legalább elégséges szintű (40%) teljesítése (összegző teljesítményértékelés). | *A '''ZH''' legalább elégséges szintű (40%) teljesítése (összegző teljesítményértékelés). | ||
*4 db '''kisZH''' a félév folyamán | *4 db '''kisZH''' a félév folyamán | ||
+ | **30-45 perc | ||
+ | **Önálló feladatmegoldás gépen | ||
+ | **GO/NO GO | ||
+ | **Nem lehet őket pótolni. | ||
+ | *Általában úgy van, hogy a numpy-t és a pandas-t egyszerre íratják meg, majd a gépi tanulás és vizualizáció részt is. Mindkettő esetén az értékelés viszont külön zajlik: tehát, ha pl. a numpy teszted sikerült, de a pandas nem, attól még az 1 pontot megkapod a numpy részre. | ||
+ | * Kiselőadás 8. héten = 1 db teljesített gyakorlati teszt | ||
+ | **[[Media:AM_2022_pres_updated.pdf | 2022-es kiselőadás témák]] | ||
* '''Megajánlott jegy:''' (0,6 * ZH_jegy + 0,4 * teljesített_tesztek_száma >= 3,5) | * '''Megajánlott jegy:''' (0,6 * ZH_jegy + 0,4 * teljesített_tesztek_száma >= 3,5) | ||
*'''Pótlási lehetőségek:''' | *'''Pótlási lehetőségek:''' | ||
**A '''ZH''' szorgalmi időszakban pótolható. | **A '''ZH''' szorgalmi időszakban pótolható. | ||
+ | **Van '''PPZH''' is. | ||
=== A vizsgaidőszakban === | === A vizsgaidőszakban === | ||
38. sor: | 43. sor: | ||
=== Félévvégi jegy === | === Félévvégi jegy === | ||
− | + | Megajánlott/vizsga eredménye szerint. | |
== Tematika == | == Tematika == | ||
+ | [https://www.anaconda.com/products/distribution Anaconda] és Jupyter Notebook szükséges. | ||
+ | |||
* 2022 | * 2022 | ||
** 1.: Bevezetés, IPython és Python alapok | ** 1.: Bevezetés, IPython és Python alapok | ||
61. sor: | 68. sor: | ||
***[[Media:Validáció.zip | validáció]] | ***[[Media:Validáció.zip | validáció]] | ||
***[[Media:Jellemzőtervezés.zip | jellemzőtervezés]] | ***[[Media:Jellemzőtervezés.zip | jellemzőtervezés]] | ||
− | ***[[Media:DontesiFak_OsztalyozasiKiertekelesek (1).pdf | döntési fák]] | + | ***[[Media:DontesiFak_OsztalyozasiKiertekelesek (1).pdf | döntési fák]] - Ezt az anyagrészt Szűcs Gábor adta elő. |
***[[Media:Osztályozás.zip | osztályozás]] | ***[[Media:Osztályozás.zip | osztályozás]] | ||
** 6.: Vizualizáció | ** 6.: Vizualizáció | ||
68. sor: | 75. sor: | ||
== ZH == | == ZH == | ||
− | Elméleti | + | *Elméleti és gyakorlati kérdések vegyesen. |
− | + | *Papíralapú és feleletválasztós. (Tehát a tárgy elvégzéséhez nem feltétlenül szükséges az, hogy legyen laptopod.) | |
− | + | *Rossz válasz esetén pontlevonás nincs. | |
− | + | *A ZH eredménye nem számít a vizsgajegybe. | |
+ | *Megajánlotthoz a ZH-ra kapott jegy (és nem a pontszám) számít. (Minimum 4-est kell írni a megajánlotthoz.) | ||
+ | *PZH-val és PPZH-val is lehet megajánlottat szerezni. | ||
== Tippek == | == Tippek == | ||
− | + | *Az előadó jó fej és segítőkész, a tárgy hasznos. | |
− | + | *Az anyagok Moodle-ön megtalálhatóak, a közérdekű információkat Teams csoportba posztolják. | |
− | + | *Az előadások és gyakorlatok között nem tesznek különbséget, értsd: mindegyik óra gyakorlati. Érdemes laptopot vinni, de nem kötelező. | |
+ | *A hiányzásokat nem veszik figyelembe, de érdemes bejárni. | ||
+ | *Néha vannak céges vendégelőadók, 2022-ben pl. a Lexunit Group Ltd. | ||
{{Lábléc_-_Üzemmérnök-informatikus_alapszak}} | {{Lábléc_-_Üzemmérnök-informatikus_alapszak}} |
A lap jelenlegi, 2022. május 10., 13:59-kori változata
A tantárgy célja a hallgatók megismertetése az adatfókuszú Python nyelv azon eszköztárával, amelynek segítségével megoldhatók tipikus adatközpontú problémák. A sokszínű feladatok között a hallgatók megtanulhatják a szükséges munkafolyamatokat, azaz automatikus adatletöltést, adatok integrálását és áttöltését különböző API-k segítségével, illetve annak a technikáját, hogy hogyan kell a prediktív analitikai megoldásokat különböző előrejelzési környezetbe integrálni. A tárgy elvégzése után a hallgató képes lesz alapszintű, integrált, adatközpontú megoldások kialakítására és üzemeltetésére.
Tartalomjegyzék
Követelmények
Előtanulmányi rend
- Specializáció besorolás.
A szorgalmi időszakban
- A gyakorlatokon legalább 70%-os részvétel.
- A ZH legalább elégséges szintű (40%) teljesítése (összegző teljesítményértékelés).
- 4 db kisZH a félév folyamán
- 30-45 perc
- Önálló feladatmegoldás gépen
- GO/NO GO
- Nem lehet őket pótolni.
- Általában úgy van, hogy a numpy-t és a pandas-t egyszerre íratják meg, majd a gépi tanulás és vizualizáció részt is. Mindkettő esetén az értékelés viszont külön zajlik: tehát, ha pl. a numpy teszted sikerült, de a pandas nem, attól még az 1 pontot megkapod a numpy részre.
- Kiselőadás 8. héten = 1 db teljesített gyakorlati teszt
- Megajánlott jegy: (0,6 * ZH_jegy + 0,4 * teljesített_tesztek_száma >= 3,5)
- Pótlási lehetőségek:
- A ZH szorgalmi időszakban pótolható.
- Van PPZH is.
A vizsgaidőszakban
- A vizsga legalább elégséges (40%) teljesítése szükséges.
Félévvégi jegy
Megajánlott/vizsga eredménye szerint.
Tematika
Anaconda és Jupyter Notebook szükséges.
- 2022
- 1.: Bevezetés, IPython és Python alapok
- 2.: Adatállományok típusai, adatminőség, előfeldolgozás
- 3.: NumPy
- 4.: Pandas
- 5.: Gépi tanulás
- scki-kit learn
- validáció
- jellemzőtervezés
- döntési fák - Ezt az anyagrészt Szűcs Gábor adta elő.
- osztályozás
- 6.: Vizualizáció
ZH
- Elméleti és gyakorlati kérdések vegyesen.
- Papíralapú és feleletválasztós. (Tehát a tárgy elvégzéséhez nem feltétlenül szükséges az, hogy legyen laptopod.)
- Rossz válasz esetén pontlevonás nincs.
- A ZH eredménye nem számít a vizsgajegybe.
- Megajánlotthoz a ZH-ra kapott jegy (és nem a pontszám) számít. (Minimum 4-est kell írni a megajánlotthoz.)
- PZH-val és PPZH-val is lehet megajánlottat szerezni.
Tippek
- Az előadó jó fej és segítőkész, a tárgy hasznos.
- Az anyagok Moodle-ön megtalálhatóak, a közérdekű információkat Teams csoportba posztolják.
- Az előadások és gyakorlatok között nem tesznek különbséget, értsd: mindegyik óra gyakorlati. Érdemes laptopot vinni, de nem kötelező.
- A hiányzásokat nem veszik figyelembe, de érdemes bejárni.
- Néha vannak céges vendégelőadók, 2022-ben pl. a Lexunit Group Ltd.
1. félév | |
---|---|
2. félév | |
3. félév | |
4. félév | |
5. félév | |
6. félév |