Mesterségesintelligencia-informatikus MSc - Pannon Egyetem Műszaki Informatikai Kar

GPU programozás

High-performance computing, szuperszámítógépek, párhuzamos programozás (futószalag, többmagos, többprocesszoros), számítási teljesítmény, numerikus algoritmusok, párhuzamos számítási architektúrák modern rendszerekben. Iteratív és rekurzív algoritmusok párhuzamosítása gyakorlati példákon.

Virtuális valóság és interaktív MI

Virtuális és kiterjesztett valóság rendszerek alapjai, immerzív környezetek tervezése, ember–gép interakció és felhasználói élmény (UX) interaktív alkalmazásokban. VR fejlesztési eszközök, 3D terek, interaktív narratívák, 360°-os vetített terek kreatív kontextusban. Valós installációk és digitális élmények tervezése és megvalósítása gyakorlati projektekben.

Gépi látás

Számítógépes látás alapjai, képfeldolgozási algoritmusok, kamera- és látásgeometria, sztereó látás, 3D rekonstrukció, mozgásdetekció és követés. Klasszikus és MI-alapú felismerési és szegmentálási módszerek, konvolúciós neurális hálók és vizuális transzformerek. Objektumdetektálás, videóelemzés, multimodális látás és generatív vizuális modellek.

Megerősítéses tanulás

Szekvenciális döntési problémák modellezése és megoldása megerősítéses tanulási (RL) módszerekkel. Markov-döntési folyamatok, dinamikus programozás, Monte Carlo és időbeli differencia alapú algoritmusok. Q-tanulás, policy-gradiens és Actor–Critic módszerek, mély megerősítéses tanulás. RL-feladatok tervezése, tanítása és kiértékelése.

Generatív MI, ágens-alapú rendszerek

Generatív modellek működése és alkalmazása, kiemelten a nagy nyelvi modellekre. Transzformer architektúra, prompting, teljesítményértékelés és modellválasztás. Retrieval-Augmented Generation (RAG). LLM-alapú autonóm és többágenses rendszerek tervezése, eszközhasználat, külső API-k integrálása és MCP-alapú megoldások.

Adatvezérelt gépi tanulás

Adatvezérelt modellépítés felügyelt és nem felügyelt tanulási feladatokon. Adatelőkészítés, feature engineering, jellemzőszelekció, modellválasztás, hiperparaméter-hangolás, kiértékelés. Klasszikus gépi tanulási és ensemble algoritmusok. Osztályozás, regresszió, idősorelemzés, outlierdetekció, asszociációs szabályok bányászata, ajánlórendszerek.

Neurális hálózatok, mélytanulás

A neurális hálózatok működésének és tanításának alapjai, a mesterséges neurontól a komplex architektúrákig. Előrecsatolt, visszacsatolt és konvolúciós hálózatok, encoder–decoder és transzformer modellek. Tanítási eljárások, optimalizáció eljárások. Gyakorlati hálózatépítés és tanítás Python környezetben, modern deep learning keretrendszerekkel.

MI rendszerek tervezése és fejlesztése

MI-alapú szoftverrendszerek architektúrái, adat- és modellpipeline-ok tervezése és integrálása ipari környezetben. MI-modellek szolgáltatásként való publikálása, konténerizált és elosztott környezetben történő üzemeltetés. MLOps folyamatok, modellverziózás, monitorozás és skálázás gyakorlati megközelítésben.

MI eszközök és alkalmazások

Mesterséges intelligencia eszközök gyakorlati alkalmazása az oktatásban, iparban, gazdaságban és a mindennapi munkában. Generatív MI, döntéstámogató rendszerek és virtuális asszisztensek használata valós feladatokon. Interaktív feladatok és projektmunka keretében az MI-eszközök kreatív, felelős és hatékony alkalmazásának elsajátítása.

MI ipari alkalmazásai

Mesterséges intelligencia alkalmazása ipari, termelő és műszaki szolgáltató rendszerekben. Valós idejű adatok feldolgozása, prediktív modellezés, folyamatoptimalizálás és automatizálás. Emberközpontú tervezés, ember–gép együttműködés, Ipar 4.0–5.0 megoldások, intelligens gyártórendszerek és IIoT alkalmazások.

Etikus és megmagyarázható MI

MI-modellek értelmezhetősége és magyarázhatósága komplex prediktív rendszerekben, valós alkalmazásokban. Explainable AI (XAI) módszerek. Modellmegbízhatóság, torzítás és bizonytalanság kezelése rendszerszinten. MI-rendszerek adatvédelmi, információbiztonsági és jogi kérdései, GDPR és AI Act szempontok szabályozási megfelelésben.

A képzés nyelve: magyar

A képzés formája: nappali / levelező

A mesterképzés az informatika képzési területhez tartozik. A képzésre azok jelentkezését várjuk, akik informatikai alapképzésben szereztek diplomát, vagy tanulmányaik során megfelelő matematikai, számítástudományi és informatikai alapokat szereztek.

A programtervező informatikus, mérnökinformatikus, gazdaságinformatikus alapképzési szakon szerzett diplomával rendelkező jelentkezők automatikusan teljesítik a bemeneti követelményeket.
A fentiektől eltérő diplomával rendelkező jelentkezők esetében kreditelismerési eljárás lefolytatásával vizsgálandó, hogy a felvételiző a korábbi tanulmányai alapján hány kredittel rendelkezik az alábbi területekről:
- matematika és számítástudomány (elvárt 20 kredit);
- informatika (elvárt 30 kredit).

A mesterképzésbe való felvétel feltétele, hogy a hallgató a felsorolt területeken együttesen legalább 30 kredittel rendelkezzen. A hiányzó kreditek a mesterképzéssel párhuzamosan, különbözeti tárgyakkal teljesíthetők.

A szak tervezett tanterve itt érhető el.

Felvételi információ: https://www.felvi.hu

Bővebb tájékoztatás kérhető:

A felvételi és kreditelismerési eljárással kapcsolatban: Dr. Magyar Attila oktatási dékánhelyettestől az Ez az e-mail-cím a szpemrobotok elleni védelem alatt áll. Megtekintéséhez engedélyeznie kell a JavaScript használatát. címen;
A képzés szakmai tartalmát tekintve: Dr. Fogarassyné dr. Vathy Ágnes szakfelelőstől, a Ez az e-mail-cím a szpemrobotok elleni védelem alatt áll. Megtekintéséhez engedélyeznie kell a JavaScript használatát. címen.