A mesterséges intelligencia hatása a mindennapjainkra

2022.10.07

1. hét
1. lecke

Adattudom√°ny
Ňźsz 2022

Credit

Andrew Ng - Stanford University Machine learning course
Andrew Ng - deeplearning.ai


Microsoft Machine Learning

Google Digital Workshop


Datacamp: Machine Learning for Business course


Towards Data Science blog


Szegedi Egyetem gépi tanulás kurzus

Budapesti MŇĪszaki Egyetem g√©pi tanul√°s kurzus

Credit

2. Mesterséges intelligencia rendszerek és gépi tanulás

Mi a mesterséges intelligencia?

AI & Gépi tanulás

AI & Gépi tanulás

AI & ML Magyarorsz√°gon

Gépi vs. Mély tanulás

Adatworkshop 1

BevezetŇĎ a g√©pi tanul√°sba

2022.10.07

1. hét
2. lecke

Adattudom√°ny 2
Ňźsz 2022

2. Mesterséges intelligencia rendszerek és gépi tanulás

Mi a gépi tanulás?

A g√©pi tanul√°s elŇĎnyei

A g√©pi tanul√°snak sz√°mos alkalmaz√°si m√≥dja van, a lehetŇĎs√©gek t√°rh√°za pedig egyre sz√©lesebb. √ćme a technol√≥gia n√©h√°ny legnagyobb elŇĎnye, amelyet m√°r sz√°mos v√°llalkoz√°s kihaszn√°l.

Gépi tanulás

ElŇĎnyei

Feltáró elemzés

A g√©pi tanul√°ssal azonos√≠that√≥ mind a struktur√°lt, mind a struktur√°latlan adatokban rejlŇĎ minta vagy szerkezet, √≠gy k√∂nnyebben l√°that√≥, mit is mutatnak az adatok.

 

Az adatintegritás javítása

A g√©pi tanul√°s kiv√°l√≥an haszn√°lhat√≥ az adatb√°ny√°szatban, sŇĎt ak√°r annak lehetŇĎs√©geit is k√©pes kiterjeszteni.

 

Gépi tanulás

ElŇĎnyei

A felhasználói élmény fejlesztése

Adapt√≠v interf√©szek, c√©lzott tartalom, csevegŇĎrobotok, hangvez√©relt virtu√°lis asszisztensek ‚Äď ezek mind p√©ld√°k arra, hogy a g√©pi tanul√°s hogyan seg√≠thet optimaliz√°lni az √ľgyf√©l√©lm√©nyt.

 

Kockázatcsökkentés

Mivel a csal√°si taktik√°k folyamatosan v√°ltoznak, a g√©pi tanul√°snak l√©p√©st kell tartani vel√ľk ‚Äď k√©pesnek kell lennie megfigyelni √©s azonos√≠tani az √ļj mint√°kat, hogy megelŇĎzhesse a rosszindulat√ļ pr√≥b√°lkoz√°sokat.

Gépi tanulás

ElŇĎnyei

√úgyfelek viselked√©s√©nek elŇĎrejelz√©se

A g√©pi tanul√°ssal √ľgyf√©lhez kapcsol√≥d√≥ adatok b√°ny√°szhat√≥k, amelyekkel k√∂nnyebben azonos√≠that√≥k mint√°k √©s viselked√©sm√≥dok, ami optimaliz√°lt term√©kjavaslatokat √©s a lehetŇĎ legjobb v√°s√°rl√≥i √©lm√©nyt eredm√©nyezheti.

 

Alacsonyabb költségek

A g√©pi tanul√°s jelentŇĎs szintŇĪ folyamatautomatiz√°l√°st tesz lehetŇĎv√©, ami idŇĎt √©s erŇĎforr√°sokat szabad√≠t fel, √Ėn √©s csapata √≠gy a legfontosabb √ľgyekre √∂sszpontos√≠that.

Gépi tanulás

ElŇĎnyei

√Črt√©kek elŇĎrejelz√©se

A regresszi√≥s algoritmusok √©rt√©kekbŇĎl hoznak l√©tre modellt, amely alapj√°n elŇĎrejelz√©seket k√©sz√≠thetnek. Ez hasznos a v√°ltoz√≥k okainak √©s okozatainak azonos√≠t√°s√°ban. A regresszi√≥s tanulm√°nyok seg√≠tenek elŇĎrejelezni a j√∂vŇĎt, ami seg√≠thet a term√©kekre vonatkoz√≥ ig√©ny√©nek elŇĎrejelz√©s√©ben, az √©rt√©kes√≠t√©si sz√°madatok tervez√©s√©ben, vagy a kamp√°nyeredm√©nyek megbecsl√©s√©ben.

Gépi tanulás

Felhaszn√°l√°sa

Szokatlan elŇĎfordul√°sok azonos√≠t√°sa

Az anom√°liadetekt√°l√°si algoritmusokat gyakran haszn√°lj√°k lehets√©ges kock√°zatok √©szlel√©s√©re, ugyanis k√©pesek kiszŇĪrni a v√°rt norm√°t√≥l elt√©rŇĎ adatokat. Berendez√©sek meghib√°sod√°sa, szerkezeti hib√°k, sz√∂veges hib√°k, valamint csal√°sok ‚Äď n√©h√°ny p√©lda arra, hogy a g√©pi tanul√°s hogyan haszn√°lhat√≥ vesz√©lyforr√°sok eset√©n.

Gépi tanulás

Felhaszn√°l√°sa

Strukt√ļra keres√©se

A f√ľrt√∂z√©si algoritmusok gyakran a g√©pi tanul√°s elsŇĎ l√©p√©s√©t k√©pezik, √©s az adatk√©szlet m√∂g√∂ttes strukt√ļr√°j√°t fedik fel. A gyakori elemek kategoriz√°l√°sa ‚Äď a f√ľrt√∂z√©s ‚Äď gyakori elj√°r√°s a piaci szegment√°l√°sban, √©s olyan elemz√©seket ny√ļjthat, amelyek elŇĎseg√≠tik a megfelelŇĎ √°r kiv√°laszt√°s√°t, valamint az √ľgyfelek preferenci√°inak megj√≥sol√°s√°t.

Gépi tanulás

Felhaszn√°l√°sa

Kateg√≥ri√°k elŇĎrejelz√©se

A besorol√°si algoritmusok seg√≠tenek meghat√°rozni az inform√°ci√≥k megfelelŇĎ kateg√≥ri√°j√°t. A besorol√°s a f√ľrt√∂z√©shez hasonl√≠t, azonban elt√©r abban, hogy a fel√ľgyelt tanul√°sban alkalmazz√°k, ahol elŇĎre meghat√°rozott c√≠mk√©k szerepelnek.

Gépi tanulás

Felhaszn√°l√°sa

Banki szolg√°ltat√°sok √©s p√©nz√ľgyek

A kock√°zatkezel√©s √©s a csal√°sok megelŇĎz√©se olyan kulcsfontoss√°g√ļ ter√ľletek, ahol a g√©pi tanul√°s hatalmas hozz√°adott √©rt√©ket jelent a p√©nz√ľgyi k√∂rnyezetekben.

Gépi tanulás

Ipar√°gak

Eg√©szs√©g√ľgy

Diagnosztikai eszk√∂z√∂k, p√°ciensfigyel√©s √©s j√°rv√°nyok elŇĎrejelz√©se ‚Äď n√©h√°ny p√©lda arra, hogy a g√©pi tanul√°s hogyan seg√≠thet a p√°ciensek kezel√©s√©nek tov√°bbfejleszt√©s√©ben.

Szállítmányozás

Forgalmi anom√°li√°k azonos√≠t√°sa, k√©zbes√≠t√©si √ļtvonal optimaliz√°l√°sa, √∂nvezetŇĎ aut√≥k ‚Äď n√©h√°ny p√©lda arra, hogy a g√©pi tanul√°s hogyan jav√≠that a sz√°ll√≠tm√°nyoz√°s minŇĎs√©g√©n.

Gépi tanulás

Ipar√°gak

Ügyfélszolgálat

K√©rd√©sek megv√°laszol√°sa, az √ľgyf√©lsz√°nd√©k megbecsl√©se, virtu√°lis seg√≠ts√©gny√ļjt√°s ‚Äď n√©h√°ny p√©lda arra, hogy a g√©pi tanul√°s hogyan k√©pes t√°mogatni az √ľgyf√©lszolg√°lati ipart.

Kiskereskedelem

A g√©pi tanul√°ssal a kiskereskedŇĎk k√∂nnyebben elemezhetnek v√°s√°rl√°si mint√°kat, optimaliz√°lhatj√°k az aj√°nlatokat √©s a d√≠jszab√°st, valamint haszn√°lhatj√°k az adatokat az √ľgyf√©l√©lm√©ny jav√≠t√°s√°ra.

Gépi tanulás

Ipar√°gak

MezŇĎgazdas√°g

A munkaerŇĎhi√°nyt p√≥tl√≥ robotok fejleszt√©se, n√∂v√©nyi betegs√©gek diagnosztiz√°l√°sa, vagy a talajminŇĎs√©g figyel√©se ‚Äď n√©h√°ny p√©lda arra, hogy a g√©pi tanul√°s mik√©nt seg√≠thet a mezŇĎgazdas√°g fejleszt√©s√©ben.

Gépi tanulás

Ipar√°gak

Adatworkshop 2

AlapvetŇĎ g√©pi tanul√°si technik√°k

2022.10.07

1. hét
3. lecke

Adattudom√°ny 2
Ňźsz 2022

2. Mesterséges intelligencia rendszerek és gépi tanulás

Tanul√°si technik√°k

Gépi tanulás

Fel√ľgyelt tanul√°s

C√≠mk√©kkel vagy strukt√ļr√°val ell√°tott adatk√©szletek eset√©n az adatok ‚Äěbetan√≠tj√°k‚ÄĚ a g√©pet, √≠gy az hat√©konyabban v√©gezhet elŇĎrejelz√©seket √©s hozhat d√∂nt√©seket.

Gépi tanulás

Fel√ľgyelet n√©lk√ľli tanul√°s

Adatok f√ľrt√∂kbe val√≥ csoportos√≠t√°s√°val k√∂nnyebben foglalkozhat c√≠mk√©k vagy strukt√ļra n√©lk√ľli adatokkal, valamint azonos√≠that mint√°kat √©s kapcsolatokat.

MegerŇĎs√≠tŇĎ tanul√°s

Az √ľgyn√∂k (valaki vagy valami nev√©ben tev√©kenykedŇĎ sz√°m√≠t√≥g√©pprogram) az emberi oper√°tort helyettes√≠ti, √©s seg√≠t egy visszajelz√©si hurok alapj√°n meghat√°rozni az eredm√©nyt.

Gépi tanulás

Tanul√°si technik√°k

Gépi tanulás

Tanul√°si technik√°k

Gépi tanulás

Tanul√°si technik√°k

Dr. Szabados Levente

IdŇĎsoros elŇĎrejelz√©s

Haladó gépi tanulási technikák

2022.03.26

2. hét
4. lecke

Adattudom√°ny 2
Tavasz 2022

Adatworkshop 3

Gépi tanulási algoritmusok

2022.03.26

2. hét
5. lecke

Adattudom√°ny 2
Tavasz 2022

2. Mesterséges intelligencia rendszerek és gépi tanulás

Algoritmusok

A line√°ris regresszi√≥s¬†algoritmusok megmutatj√°k vagy elŇĎrejelzik k√©t v√°ltoz√≥ vagy t√©nyezŇĎ k√∂z√∂tti kapcsolatot azzal, hogy egy folytonos egyenes vonalat illesztenek az adatokra. A vonal gyakran a Squared Error Cost f√ľggv√©ny (n√©gyzetes hibak√∂lts√©g) haszn√°lat√°val lesz kisz√°m√≠tva.

Gépi tanulás

A logisztikai regresszi√≥s¬†algoritmusok egy folytonos S alak√ļ g√∂rb√©t illesztenek az adatokra.

Gépi tanulás

A Na√Įve Bayes¬†algoritmusok kisz√°m√≠tj√°k az esem√©ny elŇĎfordul√°s√°nak val√≥sz√≠nŇĪs√©g√©t egy kapcsol√≥d√≥ esem√©ny bek√∂vetkez√©se alapj√°n.

Gépi tanulás

A t√°mogat√°si vektorg√©pek¬†egy hipers√≠kot rajzolnak a k√©t legk√∂zelebbi adatpont k√∂z√∂tt. Ez marginaliz√°lja az oszt√°lyokat, √©s maximaliz√°lja a k√∂z√∂tt√ľk l√©vŇĎ t√°vols√°got, hogy egy√©rtelmŇĪbben meg lehessen k√ľl√∂nb√∂ztetni ŇĎket.

Gépi tanulás

A d√∂nt√©si fa¬†t√≠pus√ļ algoritmusok az adatokat k√©t vagy t√∂bb homog√©n halmazba osztj√°k sz√©t. Ha‚Äďakkor t√≠pus√ļ szab√°lyokat haszn√°lnak arra, hogy az adatokat elk√ľl√∂n√≠ts√©k az adatpontok k√∂z√∂tti legjelentŇĎsebb k√ľl√∂nbs√©gek alapj√°n.

Gépi tanulás

A K-legk√∂zelebbi szomsz√©dos¬†algoritmusok az √∂sszes rendelkez√©sre √°ll√≥ adatpontot t√°rolj√°k, √©s minden √ļj adatpontot a hozz√°juk legk√∂zelebb esŇĎ adatpontok alapj√°n oszt√°lyoznak a t√°vols√°gi f√ľggv√©nnyel t√∂rt√©nŇĎ m√©r√©s alapj√°n.

Gépi tanulás

A v√©letlenszerŇĪ erdŇϬ†t√≠pus√ļ algoritmusok d√∂nt√©si f√°kon alapulnak, de egy fa l√©trehoz√°sa helyett faerdŇĎt hoznak l√©tre, majd az erdŇĎben l√©vŇĎ f√°kat v√©letlenszerŇĪen rendezik el. Ezut√°n √∂sszes√≠tik a d√∂nt√©si f√°k k√ľl√∂nb√∂zŇĎ v√©letlenszerŇĪ form√°ci√≥inak szavazatait, √©s ez alapj√°n hat√°rozz√°k meg a tesztobjektum v√©gsŇĎ oszt√°ly√°t.

Gépi tanulás

A gradient boosting¬†t√≠pus√ļ algoritmusok olyan predikci√≥s modellt hoznak l√©tre, amely gyenge predikci√≥s modelleket (√°ltal√°ban d√∂nt√©si f√°kat) csomagol egybe egy olyan csomagol√°si folyamattal, amely jav√≠tja a modell √°ltal√°nos teljes√≠tm√©ny√©t.

Gépi tanulás

A K-k√∂zepes¬†t√≠pus√ļ algoritmusok az adatokat f√ľrt√∂kbe csoportos√≠tj√°k √ļgy, hogy a K egyenlŇĎ a f√ľrt√∂k sz√°m√°val. Az egyes f√ľrt√∂k√∂n bel√ľli adatpontok homog√©nek, √©s heterog√©nek m√°s f√ľrt√∂k adatpontjaihoz k√©pest.

Gépi tanulás

S√ľk√∂sd Endre

Neurális hálók

Részrehajlás és torzítás a mesterséges intelligenciában

2022.04.08

3. hét
6. lecke

Adattudom√°ny 2
Tavasz 2022

Adatworkshop 4

Gépi tanulás

2022.04.09

3. hét
7-8. lecke

Adattudom√°ny 2
Tavasz 2022

2. Mesterséges intelligencia rendszerek és gépi tanulás

Problémamegoldás

1. l√©p√©s: Adatok √∂sszegyŇĪjt√©se √©s elŇĎk√©sz√≠t√©se

Az adatforr√°sok azonos√≠t√°sa ut√°n a rendszer leford√≠tja a rendelkez√©sre √°ll√≥ adatokat. A felhaszn√°lhat√≥ adatt√≠pusok seg√≠tenek meghat√°rozni, hogy mely g√©pi tanul√°si algoritmusokat haszn√°lhatja. Az adatok √°ttekint√©sekor a rendszer azonos√≠tja az anom√°li√°kat, kialak√≠t egy strukt√ļr√°t, valamint megoldja az adatintegrit√°ssal kapcsolatos probl√©m√°kat.

Gépi tanulás

Lépések

2. lépés: A modell tanítása

Az elŇĎk√©sz√≠tett adatok k√©t csoportra oszlanak: egy betan√≠t√°si k√©szlet √©s egy tesztel√©si k√©szlet. A betan√≠t√°si k√©szlet az adatok nagy r√©sze, amellyel a modelleket a lehetŇĎ legpontosabban finomhangolhatja.

Gépi tanulás

Lépések

3. l√©p√©s: A modell ellenŇĎrz√©se

Ha k√©szen √°ll a v√©gsŇĎ adatmodell kiv√°laszt√°s√°ra, a tesztel√©si k√©szlettel ki√©rt√©kelheti a teljes√≠tm√©nyt √©s a pontoss√°got.

Gépi tanulás

Lépések

4. lépés: Az eredmények értelmezése

Tekintse át az eredményeket, és végezze el az elemzéseket, vonja le a következtetéseket, és tervezze meg a kimeneteket.

Gépi tanulás

Lépések

Projektek

Adattudom√°ny 2
Tavasz 2022

Egyéni projekt

  • Relev√°ns / √©rdekes probl√©ma
  • AdatgyŇĪjt√©sben/form√°z√°sban tud(t)ok seg√≠teni
    • K√©sz√≠t√ľnk egy adatbankot k√∂z√∂sen
    • Hat√°ridŇĎ adatv√°laszt√°sra √Āprilis 9
    • sklearn (X/y) form√°tumba kell transzform√°lni
    • Egy oszlop egy tulajdons√°g/feature
    • Meg kell hat√°rozni az oszlopok t√≠pusait
    • √Āt kell alak√≠tani a le√≠r√≥ oszlopokat (one-hot encoding)
  • Egy fel√ľgyelt vagy fel√ľgyeletlen tanul√°s elv√©gz√©se
  • Hangs√ļly a tervez√©sen van, √©s mi√©rt az a legmegfelelŇĎbb forma
  • Ez√©rt fontos a probl√©ma defini√°l√°sa
  • Kb. 1000. adatpont / 4 dimenzi√≥ komplexit√°s
  • Kaggle Datasets for Visualization

Bemutatók

Adattudom√°ny 2
Tavasz 2022

Projektek bemutat√°sa

3 perc / személy

peer-grading ūüĎČ itt

Adattudom√°ny 2 kurzus ūüďä

By Dénes Csala

Adattudom√°ny 2 kurzus ūüďä

MCC, Adattudom√°ny, Tavasz 2022

  • 572