My teaching activity can be divided into three parts:
The main question: What is it good for? What are the practical applications? What is the business model?
Thanks for the design to Árpád Csányi.
(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.
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.
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 |
![]() |
3. gyakorlat |
Informálatlan keresések:
|
![]() ![]() |
4. gyakorlat |
Informált keresés: Heurisztikák tulajdonságai és A* algoritumus A* algoritmus megvalósításai és teljesség/optimalitás közötti kapcsolat: |
![]() |
5. gyakorlat |
Optimalizáció:
|
![]() |
6. gyakorlat | MinMax algoritmus és Alpha-Beta vágás |
![]() ![]() |
7. gyakorlat | Rezolúció |
![]() |
8. gyakorlat | Felügyelt tanulás és hozzá kapcsolodó fogalmak |
![]() |
9. gyakorlat | Naive Bayes osztályozás |
![]() ![]() |
10. gyakorlat | Döntési fa alapú osztályozás |
![]() ![]() ![]() |
11. gyakorlat | Bayes hálók |
![]() |
Gyakorlat sorszáma |
A gyakorlat témájának rövid leírás | Segédanyag elérhetősége |
---|---|---|
1. gyakorlat | Gyakorlat teljesítésének feltétele és tematika |
![]() |
2. gyakorlat | Felügyelet nélküli módszerek, UPGMA klaszterező |
![]() ![]() |
3. gyakorlat | K-means, X-means klaszterezők |
![]() |
4. gyakorlat | Felügyelt módszerek, K-NN osztályozó |
![]() |
5. gyakorlat | ID3 döntési fa alapú tanuló |
![]() ![]() ![]() |
6. gyakorlat | Naive Bayes |
![]() ![]() |
7. gyakorlat | Perceptron |
![]() |
8. gyakorlat | Mesterséges neurális hálózatok |
![]() |
9. gyakorlat | Evolúciós algoritmusok, szimulált hűtés |
![]() |
10. gyakorlat | Support Vector Machine |
![]() |
11. gyakorlat | Fuzzy | ![]() |