Teaching

My teaching activity can be divided into three parts:

Machine Learning in Practice

The main question: What is it good for? What are the practical applications? What is the business model?

Quiz Results

Thanks for the design to Árpád Csányi.

Homework

(Only in Hungarian)A házi feladat csomag letölthető innen. A csomag négy részteljesítést tartalmaz (lineáris regresszió, logisztikus regresszió, ANN és K-Means), melyek körzül az ANN feladat megoldását opcionálissá tettem (és a megoldást is mellékeltem szemléltetésül). Tehát a kurzus teljesítéséhez 3 kötelező feladatot kell megoldani! A bemutatás napja május 15-i előadás, de igény szerint haladék kérhető!
Minden csomag tartalmaz egy exX (ahol X a feladat sorszáma) octave parancsot, ami a lefuttatja a teljes feladatot (többnyire tanítás-kiértékelés és vizualizáció formában). Ez a parancs a kicsomagolás után is futtatható (amíg nem oldottuk meg a feladatot), persze ekkor nem teljesítenek jól a modellek. A feladat minden esetben az, hogy a csomagban található txt-knek megfelelően valósítsuk meg a hiányzó függvényeket, hogy a modelljeink jól tanuljanak.

Presentations

ID Description Slides and other links
#1 Basic definitions like supervised/unsupervised learning. presentation (HUN)
#2 The Octave programming language presentation (HUN)
#3 Linear regression presentation (HUN)
#4 Linear regression (multi dimensional version and normal equation form) presentation (HUN)
#5 A basic classification method: Logistic Regression presentation (HUN)
#6 Artificial Neural Networks (ANN) presentation (HUN)
#7 Support Vector Machine presentation (HUN)
#8 Evaluation of classifiers and introduction to clustering presentation (HUN)

 

This part of my page is only available in hungarian version.

Mesterséges intelligencia I.

Gyakorlat
sorszáma
A gyakorlat témájának rövid leírás Segédanyag
elérhetősége
1. gyakorlat Követelmények és tematika rövid ismertetése
A pontos és aktuális követelmény lista az előadó honlapján érhető el.
követelmények
2. gyakorlat Kereséssel történő problémamegoldás elemei és állapottér reprezentáció PDF Icon  video  examples 
3. gyakorlat Informálatlan keresések:
  • Szélességi keresés
  • Mélységi keresés
  • Iteratívan mélyülő keresés
Heurisztikák bevezető
PDF Icon  PDF Icon (3. fejezet)  applet
4. gyakorlat Informált keresés: Heurisztikák tulajdonságai és A* algoritumus
A* algoritmus megvalósításai és teljesség/optimalitás közötti kapcsolat:
PDF Icon 
5. gyakorlat Optimalizáció:
  • Szimulált hűtés
  • Evolúciós algoritmusok
PDF Icon  applet  applet  video  video 
6. gyakorlat MinMax algoritmus és Alpha-Beta vágás PDF Icon  PDF Icon
7. gyakorlat Rezolúció PDF Icon  jar
8. gyakorlat Felügyelt tanulás és hozzá kapcsolodó fogalmak PDF Icon
9. gyakorlat Naive Bayes osztályozás PDF Icon  PDF Icon 
10. gyakorlat Döntési fa alapú osztályozás PDF Icon  PDF Icon  PDF Icon  applet
11. gyakorlat Bayes hálók PDF Icon

 

Mesterséges intelligencia II. (Gépi tanulás)

Gyakorlat
sorszáma
A gyakorlat témájának rövid leírás Segédanyag
elérhetősége
1. gyakorlat Gyakorlat teljesítésének feltétele és tematika PDF Icon
2. gyakorlat Felügyelet nélküli módszerek, UPGMA klaszterező PDF Icon  PDF Icon  applet
3. gyakorlat K-means, X-means klaszterezők PDF Icon  applet
4. gyakorlat Felügyelt módszerek, K-NN osztályozó PDF Icon  applet
5. gyakorlat ID3 döntési fa alapú tanuló PDF Icon  PDF Icon  PDF Icon  applet
6. gyakorlat Naive Bayes PDF Icon  PDF Icon 
7. gyakorlat Perceptron PDF Icon  applet  applet
8. gyakorlat Mesterséges neurális hálózatok PDF Icon 
9. gyakorlat Evolúciós algoritmusok, szimulált hűtés PDF Icon  applet  applet  video  video 
10. gyakorlat Support Vector Machine PDF Icon  applet
11. gyakorlat Fuzzy PDF Icon

 

Search

Loading

Latest updates

  • Machine Learning in Practice course slides and some motivation is available in the teaching section.
    February 19, 2013
  • My Twitter feed is linked to my page. I usually share ML related news and interesting-sometimes maybe funny or weird-posts.
    February 18, 2013

Links

Follow