Mesterséges intelligencia
Tárgyfelelős: Dr. Hangos Katalin (DSc), koordinátor: Dr. Fogarassyné dr. Vathy Ágnes (PhD)
Vizsgaanyag: szabadon választott 6 témakör a tematikából, amelyet a vizsgázó előzetesen egyeztet a vizsgáztatóval
VIZSGAKÉRÉSEK:
1. Lokális keresések, trajektória-alapú algoritmusok és populáció-alapú algoritmusok
A különböző keresési módszerek célja, működése és jellemzői. Lokális keresési módszerek. Trajektória-alapú algoritmusok (pl. tabu keresés, szimulált hűtés) tulajdonságai. Populáció alapú algoritmusok (pl. PSO, hangya-kolónia, evolúciós algoritmusok).
(Fejlett metaheurisztikus algoritmusok)
2. A genetikus algoritmus fejlettebb változatai
A fejlettebb reprezentációk, genetikus operátorok és szelekciós módszerek alkalmazási lehetőségei és választásának okai. Adaptív paraméter- és operátorválasztás. Self-adaptive GA. Hybrid GA. A Pareto-front fogalma. Pareto dominancia, fitnesz-hozzárendelési módszerek: pl. NSGA-II, SPEA2. Megszorítások kezelése GA-val: büntetés-alapú megközelítések, javító mechanizmusok. Komplex, illetve ellentmondó célok kezelése.
(Fejlett metaheurisztikus algoritmusok)
3. Markov-folyamatok és a modell alapú megoldási módszerek
Markov Reward Processes és azok megoldása, Markov Decision Processes és azok megoldása. A Bellman Expectation Equation és a Bellman Optimality Equation összehasonlítása szerepük és formájuk alapján. Planning dinamikus programozás alkalmazásával (policy evaluation, policy iteration és value iteration).
(Megerősítéses tanulás és alkalmazásai)
4. Model-free megerősítéses tanulás
Model-free prediction (Monte Carlo Learning, Temporal-Difference Learning és TD(λ)). Model-free control (on-policy módszerek: Monte Carlo Learning, on-policy Temporal-Difference Learning és Sarsa (λ), valamint off-policy Learning: importance sampling és a Q-learning).
(Megerősítéses tanulás és alkalmazásai)
5. Osztályozó algoritmusok és kiértékelésük
Osztályozó algoritmusok (döntési fák, Bayes osztályozók, k-legközelebbi szomszéd osztályozó, Linear Discriminant Analysis, bináris and multinomiális logisztikus regresszió, Support Vector Machines). Embedded módszerek. Osztályozó modellek kiértékelési módszertana, metrikák.
(Gépi tanuláson alapuló prediktív modellezési technikák)
6. Regressziós algoritmusok és kiértékelésük
Lineáris regresszió, polinomiális regresszió, Ridge regresszió, Lasso regresszió, Elastic Net, ortogonális regresszió, döntési fa regresszor, k-legközelebbi szomszéd regresszor. Metrikák a regressziós modell kiértékelésére.
(Gépi tanuláson alapuló prediktív modellezési technikák)
7. Adathalmazok jellemző problémáinak kezelése a gépi tanulásban
Kis és nagy adathalmazok kezelése: oversampling módszerek (random, SMOTE és variánsai, ADASYN), undersampling módszerek (random, cluster centroids, Near Miss, Tomek Links, Edited Nearest Neighbor Rule, Neighbourhood Cleaning Rule, Condensed Nearest Neighbor Rule). Az oversampling és az undersampling kombinációja. Few-shot learning, one-shot learning, zero-shot learning. Nagy dimenzionalitású adathalmazok kezelése: Feature selection (filter, wrapper, embedded és hibrid) módszerek. A feature importance mérése.
(Gépi tanuláson alapuló prediktív modellezési technikák)
8. Neurális hálózatok és mélytanulás a strukturált adatfeldolgozásban
A neurális hálózatok strukturális tervezése, aktivációs függvények és szerepük, a gradiens módszer és egyéb optimalizáló algoritmusok, veszteségfüggvények, túltanulás, regularizációs technikák. Visszacsatolt neurális hálózatok (RNN, LSTM, GRU, DRNN), visszacsatolások hatása.
(Mélytanuló rendszerek és alkalmazásai)
9. A transformer achitektúra és annak variánsai
A BERT, a Generative Pre-trained Transformer, az XLNet, és a Text-to-Text Transfer Transformer architektúrák ismertetése és azok tulajdonságai. A transformer architektúrák részletes működése (multi-head self-attention mechanizmus, pozíció-kódolás, a tanítás folyamata). Transfer learning és fine tuning az előtanított transformer új területeken való alkalmazására.
(Generatív hálózatok és transzformerek)
10. Generative Adversarial Networks (GANs) és a transformer-alapú generatív modellek. Embedding és vektor adatbázisok.
A GAN-ok felépítése (a generator és a discriminator feladata) és tanítása. A transformer-alapú generatív modellek szerkezete és működése. Az embedding fogalma, a bemenet lehetséges formátumai és azok leképzése. A vektor adatbázisok specialitásai és jellemzői.
(Generatív hálózatok és transzformerek)
11. Konvolúciós hálózatok és figyelem mechanizmusok a képfeldolgozásban
A VGG16, SSD és Yolo architektúrák, Figyelem mechanizmusok és vizuális transzformerek. Kontrasztív tanulás.
(A gépi látás tanuló algoritmusai)
12. Dinamikus rendszerekben alkalmazható MI technikák
Intelligens irányítórendszerek architektúrája, az intelligens és real-time alrendszer tulajdonságai és együttműködése, szabályalapú szakértői rendszerek, real-time szakértői rendszerek, dinamikus és intelligens rendszermodellek kapcsolata, kvalitatív differenciál-egyenletek, Petri-hálók, fuzzy irányítási rendszerek, intelligens rendszermodellek tulajdonságainak vizsgálata.
(Intelligens irányító rendszerek)
13. Bizonytalan dinamikus rendszerek analízise és irányítása MI módszerekkel
Bizonytalan dinamikus rendszerek és ezek leírása kvalitatív modellekkel, színezett Petri háló modellek és ezek alkalmazása ütemezési eljárások létrehozására és analízisére, fuzzy kvalitatív szimulációval és színezett Petri hálókkal, irányítás tervezése és vizsgálata fuzzy szabályok alapján
(A mesterséges intelligencia mérnöki alkalmazásai)