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?

Actuality: big data
Paradoxically: need of automate processing, dense knowledge representation
Result: better decision making and better product [see: this post]
Examples (almost everybody uses it during its everyday life):
- Decision making on any scale [e.g. see: this blog post]
- Consumer behavior modelling (How the products should be organized to maximize the revenue?)
- Financial forecasting (How will the market look like tomorrow?)
- Advert optimization (How could I optimize the click rate?)
- Personalized Search (What is my taste? What pages do I prefer?)
- Movie Recommendation (Similar to ads optimization)
- Spam Filtering (What e-mails are spams?)
- Face detection (Whose face is it?) [e.g. in social network, manual tagging is important]
- Automated text classification [see: Evernote]
- Automated text understanding [see: Facebook graph search]
- Speech Recognition [see: Siri, Google Search]
- Voice Recognition [see: Sazam]
- Image retrieval from pictures [see: Evernote, Evernote Food]
- Cat-Head detection - just experiment, but it's very promising - unsupervised (definition later)
- Modeling of our everyday life [see: Google Now, Google Glass], Automated Car Driving [see: Google Car]

Quiz Results

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.

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	video examples
3. gyakorlat	Informálatlan keresések: Szélességi keresés Mélységi keresés Iteratívan mélyülő keresés Heurisztikák bevezető	(3. fejezet) applet
4. gyakorlat	Informált keresés: Heurisztikák tulajdonságai és A* algoritumus A* algoritmus megvalósításai és teljesség/optimalitás közötti kapcsolat:
5. gyakorlat	Optimalizáció: Szimulált hűtés Evolúciós algoritmusok	applet applet video video
6. gyakorlat	MinMax algoritmus és Alpha-Beta vágás
7. gyakorlat	Rezolúció	jar
8. gyakorlat	Felügyelt tanulás és hozzá kapcsolodó fogalmak
9. gyakorlat	Naive Bayes osztályozás
10. gyakorlat	Döntési fa alapú osztályozás	applet
11. gyakorlat	Bayes hálók

Mesterséges intelligencia II. (Gépi tanulás)

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