Oktatott tárgyaink az MSc képzésben

Nyomtatóbarát változatPDF változat

I. szemeszter (tavasz)

Kooperáció és intelligencia  (2/1/0/v/4 kredit)

A tantárgy célkitűzése az együttműködés átfogó vizsgálata az informatikai alapinfrastruktúrától kezdve az intelligens rendszerekben alkalmazott megoldásokig.

Gépi tanulás   (2/1/0/v/4 kredit)

A tantárgy bemutatja a gépi tanulás fajtáit, összefoglalja a gépi tanulás elméleti alapjait, és részletesen elemzi a legfontosabb tanuló rendszer architektúrákat. 

Valószínűségi következtető és döntéstámogató rendszerek (2/1/0/v 4 kredit)

A tárgy összefoglalja és egységes keretben tárgyalja a döntéselmélet és a mester­séges intelligencia legkorszerűbb eszköztárát és megközelítési módszereit, valamint a tudásmérnökség, a gépi tanulás és a következtetés ezen területhez tartozó általános eredményeit.

II. Szemeszter (ősz)

Beágyazott intelligens rendszerek (2/1/0/v/4 kredit)

A tantárgy célkitűzése: Napjaink meghatározó trendje az informatika beépülése a mindennapi élet tárgyaiba és környezeteibe. Az emberi felhasználót körülvevő ún. ambiens informatikai környezet hanggal, gesztussal, arckifejezéssel kiadott parancsokat hajt végre, és önmaga is keresi a problémáikat, felméri az ember emocionális állapotát és ennek megfelelően szabályozza az ember fizikai világát. A tantárgy célkitűzése ilyen célzatú számítógépi technológia többszintű vizsgálata az informatikai alapinfrastruktúrától kezdve az embert magába foglaló ambiens intelligens informatikai környezetekig. Ezen túlmenően foglalkozik a beágyazott rendszerek ágensszerű kialakításával, az ilyen ágensszervezetek kooperatív viselkedésével. Külön hangsúlyt kap a szenzorhálózatok intelligenciának növelése, az ágenstechnológiával való ötvözése.

Megszerezhető készségek/képességek: A tantárgy követelményeit eredményesen teljesítő hallgatók tisztában lesznek az „eltűnőben lévő” számítástechnika és az ambiens intelligencia problémakörével, áttekintésük lesz a beágyazott rendszerek körében alkalmazható intelligens megoldásokról, jártasságot szereznek az intelligens szenzorhálózatok tervezésében és elemzésében, továbbá az ambiens intelligenciát igénylő feladatok elemzésében és az informatikai terek és ambiens környezetek informatikai rendszereinek specifikálásában.

Rövid tematika: A hagyományos MI-től az ambiens intelligenciáig: beágyazott rendszerek, multiágens rendszerek, viselhető számítástechnika, pervazív számítástechnika és ambiens intelligencia. Beágyazott rendszerek S/H technológiai áttekintése, jellegzetes rendszertechnikai komponensek. Multiágens rendszerek és kooperativitás. Biológiai ihletésű rendszerek: kibontakozó és lágy számítási modellek,  mesterséges immun rendszerek, populációs modellek: madárraj, halraj, hangyák, darazsak, stb. Anytime tervkészítés. Autonómia és szabályozása. Intelligens ütemezés és erőforrás-gazdálkodás. Kibontakozó és lágy számítási modellek. Koalícióformálás és az infoszféra. Intelligens beágyazott ágensek. Szolgáltatás-felfedezés. Ágens-felhasználó kölcsönhatások, felhasználó profil/viselkedés tanulása, felhasználó emocionális állapotának érzékelése és jóslása, stb. (Wireless) szenzorhálózatok S/H összefoglalása. Mótok, protokollok, erőforrás-gazdálkodás, energiagazdálkodás. Intelligencia szenzorhálózatokban. Autonóm, rekonfigurálható, önszervező mobil szenzorhálózatok. Érzékelés, számítás, kommunikáció és kooperáció integrálása. Hibatűrő mobil szenzorhálózatok. Biológiai ihletésű heterogén mobil szenzorhálózatok. Mobil és statikus szenzor hálózatok kooperatív vezérlése. Információs terek Információs tér fogalma. Információs terek tervezési szempontjai. Intelligens szoba, intelligens iroda, intelligens jármú, stb. Ambiens intelligencia elemei. Az ambiens intelligencia fogalma, tulajdonságai, kihívások. Ambiens környezetek komponensei. Intelligencia elhelyezése. Kísérleti megvalósítások, Ambient Assisted Living, ISL -  Incremental Synchronous Learning, MIT Oxigen Project, iDorm projekt és a beágyazott intelligens műtárgyai. Ambiens intelligencia és katasztrófa-elhárítás.

Információ és tudásintegrálás (2. szemeszter, 2/1/0/v 4 kredit, MIT) (Ősz)

A tantárgy célkitűzése: Elosztott számítógépes környezetekben (internet, intranet) bőséges információ áll rendelkezésre számos területre vonatkozóan. Ezen adatok, ismeretek integrálása, kombinálása kiszélesíti az információs rendszerek szolgáltatásainak körét, újfajta alkalmazások megvalósítását teszi lehetővé. A tárgy célkitűzése megismertetni a hallgatókat elosztott információs bázisok (adatbázisok, XML dokumentumok, szöveg korpuszok) integrálásának, az elérhető információk kinyerésének módszereivel.

Megszerezhető készségek/képességek: A tantárgy követelményeit eredményesen teljesítő hallgatóktól elvárható, hogy tisztában legyenek a nagyméretű, heterogén, elosztott információs rendszerek kezelésének problémáival, ismerjék az információkinyerés módszereit és technológiáit mind intranetes adatbázisok, mind internetes információs források esetében, ismerjék a Web továbbfejlesztésére vonatkozó javaslatokat, a kialakuló új technológiákat, ezek fejlesztésének módszereit, képesek legyenek információ integrációs rendszerek tervezésre, az információs források és adatainak leírására szolgáló logikai modellek létrehozására, tájékozottak legyenek a mesterséges intelligencia fogalmi modellezésre vonatkozó új eredményeivel, áttekintésük legyen a jelenleg elérhető modellekről, alkalmazásokról és eszközökről.

Rövid tematika: Az elosztott, heterogén információs környezete jellemzőinek áttekintése. Az információ integrálás igénye és módszerei. Mediátor/integrátor megközelítés bemutatása. Mediátorok szerepe, tervezésének módszerei. Virtuális és materializált információ integrációs megközelítések előnyei, hátrányai. Virtuális adatintegráció technikái. Lokális és globális nézeteken alapuló virtuális integrációs sémák. Ontológiák szerepe a fogalmi heterogenitás feloldásában. Virtuális integrációt támogató mediátorok felépítése. Lekérdezések megfogalmazása, lefordítása, optimalizálása, futtatása a különböző virtuális sémák felhasználásával. Adattárház rendszerek. A materializált integráció előnyei és problémái. Adattárház rendszerek építésének folyamata. Adatok tárolása, lekérdezése adattárház rendszerekben. Interneten elérhető információk integrálása. Információ keresés félig-strukturált információs forrásokban. Jelenleg elérhető internetes kereső rendszerek technológiái, képességei, hiányosságai. Szemantikus web koncepció lényege, technológiái. A szemantikus web technikák alkalmazása webes információs források integrálásában. Adat- és szövegbányászat. Adatbányászati alkalmazás megvalósításának folyamata (adatok előfeldolgozása, kezelése). Alapvető adatbányászati algoritmusok (gyakori minták, gyakori sorozatok, asszociációs szabályok, klaszterezési eljárások). A nyelvtechnológia alapjai (morphológia, nyelvtanok, fordítás). Keresési technikák szöveges forrásokban. Információkinyerés szöveges dokumentumokból. Tanulás információ integrációs rendszerekben. Induktív tanuló algoritmusok az információ integrációs rendszerekben. Adaptív mediátor sémák. Wrapperek tanulása. Alkalmazási területek bemutatása. Virtuális elektronikus piactér rendszerek. Adatintegráció nagyvállalati információs rendszerekben. Korszerű webes keresőrendszerek. Információ kivonatolás webes forrásokból.

 

Kooperáció és gépi tanulás labor (2. szemeszter, 0/0/3/f/4 kredit, MIT)

A tárgy célkitűzése: A tárgy célja, hogy elmélyítse a szakirány első félévében tanult ismereteket, biztosítsa, hogy a hallgatók az elméleti ismereteket egyszerűbb gyakorlati feladatok megoldására alkalmazzák, ezáltal tapasz­tala­tokat szerezzenek. 

Megszerezhető készségek/képességek: A tantárgy követelményeit eredményesen teljesítő hallgatóktól elvárható, hogy ismerjék a kooperatív megoldások technológiai feltételeit, gyakorlati problémák megoldása során képesek legyenek kooperatív rendszermodellek és rendszerspecifikációk megalkotására, továbbá ismerjék  a különböző reprezen­tá­ci­ójú tudás feldolgozásának eszközeit, tudják a gépi tanulási eljárásokat alkalmazni egyszerűbb gyakorlati problémák megoldása.

Rövid tematika: XML-alapú tartalom nyelv fejlesztése Jade ágensközösségben. Ontológia szerver vizsgálata. Játékelméleti ágensek vizsgálata. Aukciós és szavazási protokollok vizsgálata. Döntési fák tervezése. Neuronhálók vizsgálata, és alkalmazása. Idősor-előrejelzési feladat megoldása dinamikus hálókkal. Adatbázis összeállítása tanuló rendszer konstrukciójához.

 

III. Szemeszter

 

Beágyazott intelligens rendszerek labor (3. szemeszter, 0/0/3/f/4 kredit, MIT) (Tavasz)

A tárgy célkitűzése: A tárgy célja, hogy elmélyítse a beágyazott intelligens rendszerek szakirány második szemeszterében tanult ismereteket, biztosítsa, hogy a hallgatók az elméleti ismereteket egyszerűbb gyakorlati feladatok megoldására alkalmazzák, ezáltal tapasz­tala­tokat szerezzenek.

Megszerezhető készségek/képességek: A tantárgy követelményeit eredményesen teljesítő hallgatóktól elvárható, hogy ismerjék a beágyazott intelligens rendszerek, valamint a döntéstámogató rendszerek alaptechnológiáit, gyakorlati problémák megoldása során képesek legyenek a megfelelő rendszermodellek és rendszerspecifikációk megalkotására.

Rövid tematika: Raj (biológiai minták alapján származtatott közösségi kooperatív) viselkedés vizsgálata mitmót (ill. mitmót-Jade) ágensközösségben. Evolúciós módszerek vizsgálata. Tervkészítés mitmót környezetben: szenzorfúzió eltérő felépítésű mitmótokat és egyéb stacionárius szenzorokat felhasználva. Hibatűrő protokollok és viselkedés vizsgálata mozgó mitmótokból és statikus szenzorokból álló ad hoc hálózatban. Alapvető statisztikai döntéselméleti módszerek. Döntési hálók építése és alkalmazása.

 

 

A szakirány témaköreihez tartozó ismeretek elmélyítését szolgáló választható tárgyak

 

 

 

Képfeldolgozás és számítógépes orvosi diagnosztika (2/1/0/v/4 kredit, kötelezően választható tárgy, MIT) (Tavasz)

A tantárgy célkitűzése: A tárgy célja, hogy bemutassa a számítógéppel segített orvosi diagnosztikai (Computer Aided Diagnosis) eszközök szerepét, jelentőségét, valamint, hogy átfogó ismereteket adjon azokról az eljárásokról, melyek az orvosi képek elemzésére alkalmasak.

Megszerezhető készségek/képességek: A tantárgy követelményeit eredményesen teljesítő hallgatóktól elvárható, hogy ismerjék a képalkotáson alapuló fontosabb diagnosztikai eljárások alapjait, ismerjék a képfeldolgozás klasszikus és legkorszerűbb eljárásait, a kétdimenziós jelfeldolgozás alapjait, a döntéselméleti alapokat, ismerjék az orvosi diagnosztikában elterjedt tudásreprezentációkat és mindazon eljárásokat melyek ezen tudásreprezentációk együttes kezelésére, integrált feldolgozására alkalmasak.

Rövid tematika: A képalkotás alapjai, orvosi képfelvételi eljárások: röntgenfelvételek, CT, MRI, PET. A szürkeárnyalatú és a színes képek jellemzői: képdinamika, felbontás, hisztogram stb. Képkódolási eljárások, vesz­te­séges és veszteségmentes képtömörítési eljárások. DICOM, JPEG, JPEG2000 stb. kép­formá­tumok. A képek hibái, tipikus zajok, torzulások, műtermékek. A képfeldolgozás alapjai. Képjavító eljárások, képszűrés. Képmódosító eljárások. Éldetektálás módszerei, élkiemelés, simítás. Hisztogram módosítás- és kiegyenlítés. Morfológiai műveletek. Textúra elemzés. Frekvencia tartománybeli képfeldolgozó eljárások. Szűrés a frekvencia tartományban, dekonvolúció. Wavelet transzformáció és alkalmazása a képfeldolgozásban. Curvlet. Képszegmentálás és küszöbözés. Képek minősítése: jellemző-kiemelés, képtartományok elemzése. Tanuló rendszerek alkalmazása: döntési fák, neuronhálók. Modell alapú képfeldolgozó eljárások: ASM, AAM. Integrált szöveg és képfeldolgozás, hibrid intelligens módszerek alkalmazása. Orvosi CAD rendszerek. Követelmények a PACS rend­sze­rek­kel szemben. Esettanulmányok: mammográfiás döntéstámogató rendszer, mellkas-­diag­nosz­tikai rend­szer.

 

Intelligens adatelemzés  (2/1/0/v/4 kredit, kötelezően választható tárgy, MIT) (Ősz) 

A tantárgy célkitűzése: A statisztikai adatelemzést az adatok mennyiségének és a számítási kapacitásnak a növekedése mellett újabban megjelent tényezők új területekkel gazdagították. Ilyen új tényezők az adatok heterogenitásának növekedése, az elektronikusan elérhető háttértudás növekedése, a modellek komplexitásának növekedése, a feltett kérdések szemantikai jellegének a növekedése, valamint a Bayes statisztikai megközelítés előtérbe kerülése. A tárgy egy tudás és számítás intenzív Bayes statisztikai keretbe helyezi el a komplex adatok, ismeretek, modellek és kérdések statisztikai elemzését.

Megszerezhető készségek/képességek: A tantárgy követelményeit eredményesen teljesítő hallgatóktól elvárható, hogy ismerjék a maximum likelihood és bayes statisztikai döntéselméleti alapokat, különös tekintettel az optimalizálási és mintavételi technikákra, ismerjék az elterjedt tudásreprezentációkat és az induktívan használt modellosztályokat, úgymint az elsőrendű logikai tudásbázisokat, a rejtett Markov modelleket, a sztochasztikus nyelvtanokat, a klaszterezési modelleket és a Bayes hálókat, ismerjék a megfigyelési /beavatkozásos, statisztikai/oksági és strukturálatlan/strukturált adatok típusait, ennek modellekre, valószínűségi következtetésekre vonatkozó következményeit, és tudják alkalmazni a következtetési módszereket a tanult modellosztályokon.

Rövid tematika: A statisztikai adatok sokfélesége. Az indukció valószínűségi megközelítése. Klasszikus és bayesi statisztika célkitűzései, metodológiája. Alapfogalmak bemutatása A valószínűségi következtetések típusai: megfigyeléses, beavatkozásos, kontra-faktuális. Optimalizációs módszerek. A bayesi következtetés és tanulás. Optimális döntés adott hasznosság esetén: Bayes döntés és Bayes hiba. Bayesi következtetés analitikus megoldással. Bayesi következtetés numerikus közelítő módszerekkel. Laplace közelítés. Sztochasztikus szimulációs eljárások. Gyakori eloszlások generálása. Mintavételi módszerek. Markov láncokon alapuló sztochasztikus szimulációs eljárások (Markov Chain Monte Carlo módszerek): Gibbs, Metropolis-Hastings módszerek. Adatok vizualizációja. Dimenzió-, topológia- és varianciamegőrző dimenziócsökkentő leképezések. Adatok leíró statisztikai elemzése. Klaszterező módszerek. A kiértékelés és értelmezés problémája. Adatintegrálás, tudásfúzió. Bayes-hálók. Monolitikus Bayes-hálók. Hierarchikus és dekomponált Bayes-hálók, objektum orientált Bayes-hálók, dinamikus Bayes-hálók, rejtett Markov-modellek. Elsőrendű valószínűségi modellek. Valószínűségi relációs modellek. Szintaktikai és szemantikai módszerek az elsőrendű logika valószínűségi kezelésére.

Sztochasztikus nyelvtanok. Alkalmazások. Biológiai szekvenciák elemzése. Kapcsolati struktúra modellezése (szakcikkek, Web). Web-böngészés modelljei. Orvosbiológiai oksági modellek tanulása megfigyelési és beavatkozási adatok együtteséből. Szövegbányászati módszerek és információkeresés. Relációk automatikus kivonatolása szintaktikai (nyelvészeti) és statisztikai módszerekkel. Szakirodalmi hálók és tudásbázisok automatikus építése. A szövegbányászat eredményeinek felhasználása a statisztikai adatelemzésben.

 

Bioinformatika (2/1/0/v/4 kredit, kötelezően választható tárgy, MIT) (Tavasz)

A tantárgy célkitűzése: A bioinformatika a statisztikai adatelemzés, a tudásmérnökség, a mesterséges intelligencia kutatások, a számítógépes nyelvészet és az informatika húzóágazata. Ez különösen igaz az ezek integrálását jelentő „intelligens rendszerek” kutatására és fejlesztésére, mivel a biológiai adatok elemzése tipikusan elosztottan, az internet segítségével megy végbe, elosztott adat és tudásbázisok, szolgáltatások százainak a segítségével. A tárgy a bioinformatika statisztikai, algoritmikai, információtechnológiai és tudásreprezentációs aspektusait mutatja be.

Megszerezhető készségek/képességek: A tantárgy követelményeit eredményesen teljesítő hallgatóktól elvárható, hogy ismerjék a orvosbiológia rendszerbiológiai szemléletét, a génszekvenciális és génkifejeződési adatok tulajdonságait, az orvosbiológiai ismeretek sajátosságait és elektronikai reprezentációit és tárházait, ismerjék az elterjedt tudásreprezentációkat és az induktívan használt modellosztályokat, úgymint az elsőrendű logikabeli ontológiákat, rejtett Markov modelleket, sztochasztikus nyelvtanokat, klaszterezési modelleket és Bayes hálókat, valamint ismerjék a modellosztályokhoz tartozó tanulási algoritmusokat.

Rövid tematika: Genomika, poszt-genomika és “in silico” biológia. Biológiai alapok. Szekvencia adatok. Génchipek, génkifejeződés adatok, tárolási szabványok és statisztikai előfeldolgozás. Távlatok, ígéretek, farmakogenomika és személyre szabott gyógyszerek. Biológia/orvosbiológiai adat és tudásbázisok. Szekvencia adatbázisok, fehérje adatbázisok, génaktivitás-mintázatok adatbázisai, metabolikus hálózat tudásbázisok, mutációs adatbázisok, ontológiák, tezauruszok és publikációs adatbázisok. Internetes szolgáltatások és integrációs eszközök áttekintése. Statisztikai módszerek a bioinformatikában. Szekvencia elemzés Rejtett Markov modellek felhasználásával. Páronkénti illesztés, többszörös illesztés, modelltanulás. Szekvencia elemzés környezetfüggetlen sztochasztikus nyelvtanok felhasználásával. Páronkénti illesztés, többszörös illesztés, modelltanulás. Fehérje osztályozás és predikció. Terminológia és alapvető módszerek. Génkifejeződés adatok statisztikai elemzése klaszterezéssel. A kiértékelés és értelmezés problémája. Adatintegrálás, tudásfúzió. Génkifejeződés adatok statisztikai elemzése interakciós hálózati modellekkel. Relációk automatikus kivonatolása szintaktikai (nyelvészeti) és statisztikai módszerekkel. Szakirodalmi hálók és tudásbázisok automatikus építése.

 

Orvosbiológiai méréstechnika (2/1/0/v/4 kredit, Kötelezően választható tárgy, MIT)