Adattudomány és Mesterséges Intelligencia MSc főspecializáció a BME-n

5 min readNov 10, 2022

“Elméleti és gyakorlati MI tudás az ipar igényeihez igazítva” — 2023 februártól a Méréstechnika és Információs Rendszerek Tanszék és Távközlési és Médiainformatikai Tanszék data science és machine learning szakértőivel közösen elindítjuk a BME VIK-en az Adattudomány és Mesterséges Intelligencia MSc főspecializációt. A specializációban az elméleti alapok és gyakorlati anyagok minél jobb egyvelegét törekedtünk megalkotni. Várunk minden érdeklődő hallgatót, és nem csak a BME-ről!

Az adatok mennyiségének, a tudáselemek sokaságának, a számítási kapacitásnak és a mesterséges intelligencia repertoárjának a robbanásszerű növekedése egyszerre jelent új lehetőséget és felelőséget az emberiség számára[1]. Az intelligens eszközök, autonóm rendszerek, ember-gép együttesek és multiágens rendszerek fejlesztése egyszerre igényli az adatelemzési képességeket és a mesterséges intelligencia alkalmazását. Ennek eléréséhez a főspecializáció a következő tárgyakat kínálja:

A főspecializáció egyik fókuszpontja az adattudomány, amely az adatvezérelt kutatási paradigma kialakulását is segítette, illetve széles skálájú ipari alkalmazási területekkel is rendelkezik. A hallgatók megtanulhatják, hogyan kell az adatelemzési munkafolyamat során gépi tanulási algoritmusokat és alkalmazásokat létrehozni.

A mélytanulás alapjául szolgáló neurális hálózatok sok esetben egy lépésben képesek az adatokat leíró jellemzők tanulására és az adatok modellezésére.

Nagy hangsúlyt kap az intelligens adatelemzés és tudásmérnökség is, az aktív adatgyűjtés, megerősítéses tanulás, oksági következtetés, illetve a modellek és döntések értelmezhetőségének és elmagyarázásának biztosítása.

Háttérkép forrása: *rawpixel.com (Freepik)*

Az adattudomány és mesterséges intelligencia társadalmi vonatkozásait, beleértve az Általános adatvédelmi rendelet és az AI Act mesterséges intelligencia szabályozásait, ajánlott választható tárgyak segítenek megismerni, részben a Felhasználói élmény — UX és interakció mellékspecializációból. Ezen tárgyak elvégzése lehetővé teszi a Human-centred AI Masters[2] nemzetközi MSc bizonyítvány megszerzését is, a mérnökinformatikus diploma részeként. A főspecializáció része az EIT Digital Data Science MSc[3] programjának is, amelyben szintén lehetőség nyílik részt venni.

A főspecializációra olyanokat várunk, akiknek van mérnöki, matematikiai és/vagy programozási alapismerete. Sokat segíthet, de nem elvárás a mérnökinformatikus BSc mérnöki alapképzés elvégzése.

Tantárgyak

GÉPI TANULÁS (A1) — A tantárgy az intelligens rendszerek egyik alapvető képességének, a tanulásnak a gépi megvalósítási lehetőségeivel foglalkozik. Bemutatjuk a gépi tanulás fajtáit, összefoglaljuk a gépi tanulás elméleti alapjait, és elemezzük a legfontosabb tanulórendszer-architektúrákat érintve a matematikai, filozófiai és programozási aspektusokat is..

GÉPI TANULÁSI ESETTANULMÁNYOK (LABOR, A1lab) — A gépi tanulási és Data Science ismeretek hasznosításának kulcskérdése, hogy egy valós üzleti problémát megfelelő módon tudjunk leképezni a gépi tanulási eszközkészletünkre. A tárgy az adatelemzési folyamatban ad mélyebb gyakorlati tapasztalatot azáltal, hogy több valós esettanulmány megoldásával bemutatja milyen sorrendben, milyen módon érdemes alkalmazni a módszereket.

MÉLYTANULÁS (A2) — A mélytanulás (deep learning) az adatvezérelt mesterséges intelligencia eljárások napjaink egyik legdinamikusabban fejlődő ága. A mélytanulás egyik elsődleges előnye más gépi tanuló módszerekkel szemben, hogy egy lépésben tanulja meg az adatokat legjobban leíró reprezentációkat és ezek modellezését. A mélytanulás paradigma számos tudományterületen minden korábbinál jobb, state-of-the-art eredményt ért el — például gépi látás, természetes nyelvfeldolgozás és beszédtechnológia témákban. Rögzített körülmények között számos alkalmazásban az emberi teljesítményt is képesek ezek a módszerek megközelíteni, sőt, van, hogy jobban is teljesítenek.

A mélytanuló rendszerek kutatását és fejlesztését ma már széleskörű hardver- és szoftverarchitektúra segíti. Ezek hatékony használatához elengedhetetlen a mélytanulás elméletének és a szoftver- és hardvereszközök ismerete, továbbá a tapasztalat útján megszerzett tudás.

A tárgy célkitűzése, hogy a szükséges elméleti alapok bemutatása mellett példákon keresztül segítse a hallgatókat a modern mélytanuló szoftvereszközök és technikák elsajátításában és hatékony használatában. A tárgyban elsődlegesen a nyílt forráskódú, Python alapú Meta AI gondozásában készült PyTorch és a Google TensorFlow / Keras mélytanuló keretrendszereket használjuk.

HALADÓ ADATELEMZÉSI LABOR (A2lab) — A tárgy célja az Adattudomány és mesterséges intelligencia specializáción szerzett elméleti ismeretek és gyakorlati képességek elmélyítése egy konkrét adatbányászati projekt teljeskörű végrehajtásával. Az elvégzendő projekt felkészíti a hallgatót a való életben gyakran jelentkező adatelemzési kihívásokra és felruházza praktikus módszerekkel azok megoldására.

INTELLIGENS ADATELEMZÉS ÉS DÖNTÉSTÁMOGATÁS (B) — A tárgy célja, hogy összefoglalja és egységes keretben tárgyalja a döntéselmélet és a mesterséges intelligencia legkorszerűbb eszköztárát és megközelítési módszereit, valamint a tudásmérnökség, a gépi tanulás és a következtetés kapcsolódó általános eredményeit.

MEGBÍZHATÓ MESTERSÉGES INTELLIGENCIA ÉS ADATELEMZÉS (C tárgy) — A tárgy célkitűzése a megbízható adatelemzés, gépi tanulás, és mesterséges intelligencia megközelítéseinek, fogalmainak és mérnöki gyakorlatának a bemutatása. A tárgy áttekinti az intelligens algoritmusok informatikai rendszerekbe történő integrálásának kérdéseit is, valamint bemutatja az értelmezhetőség, a magyarázhatóság, a tesztelhetőség és az érzékenységvizsgálat lehetőségeit és korlátait.

ADATBIZTONSÁG ÉS VÉDELEM A GÉPI TANULÁSBAN (C tárgy)— A tárgy célja, hogy betekintést nyújtson a gépi tanulás biztonsági kérdéseibe, és átfogó jelleggel tárgyalja a gépi modellek és tanulási algoritmusok ellen kivitelezhető különböző támadások és védekezési megoldások elvi alapjait és gyakorlati módszereit, valamint a gyakorlatokon és házi feladatokon keresztül betekintést nyújtson a gépi modellek adatvédelmi auditálásának kérdéseibe.

Projektek és Témák

Hallgatóinknak lehetőséget biztosítunk alap és alkalmazott mesterséges intelligencia kutatási projektekben részt venni hazai és nemzetközi partnerekkel. A témákat az alábbi területeken TDK, diploma, illetve akár PhD képzés keretében is lehet folytatni.