A feladatokra jelentkezés személyesen (e-mailben történik) 2025.03.23.-ig. A feladat teljesítése az aláírás megszerzésének szükséges és elégséges feltétele.

Jelentkezés során az alábbi információkat várom:

• Csoport tagjainak neve, neptun kódja (1 fős csoportok is megengedettek)
• Feladat rövid specifikációja: 0,5 - 1 oldalas leírás, mely az alábbiakat tartalmazza: kitűzött célok, tanításhoz felhasznált adathalmazok, gyakorlatban megvizsgálni kívánt módszerek / elméleti feladat esetén a vizsgált elméleti probléma.

 Általános információ  

A félév során egy összetettebb feladatot kell megoldani. A feladatot és a megoldást egy rövid prezentáció keretében a félév utolsó hetében kell bemutatni a teljes hallgatóság jelenlétében. A prezentáció és a hozzá kapcsolódó dokumentáció elfogadása jelenti a félévközi követelmények teljesítését.

A házi feladatok megoldása két / három fős csapatokban, illetve egyénileg történhet (ez utóbbi esetben értelemszerűen kisebb kiméretű  / komplexitású feladatokkal). A csoportos feladatmegoldás esetén az oktatóknak nem feladata a feladatmegoldásra szánt munkamegosztás tervének, illetve teljesülésének az ellenőrzése. Amennyiben a megoldás nem éri el az elégséges szintet, abban az esetben a csoport minden tagja bukja az alárását!

A feladatok lehetőleg saját feladatok legyenek, vagyis mindenki próbáljon definiálni egy számára érdekes gyakorlati feladatot, melyet a tárgy előadásai során, illetve ahhoz kapcsolódó, gépi tanulás apparátusán belüli eszközökkel meg lehet oldani. A feladatok komplexitását (annak részleteit) a specifikáció során e-mailben egyeztetjük. Az elképzelt feladat rövid (kb 0,5-1 oldalas) kezdő specifikálációját e-mailben kérem 2025.03.23.-ig. 

Azoknak, akik nem kívánnak saját feladatot hozni, javaslunk mi is feladatokat. Az alábbi listában példaként néhány ilyen feladattípus szerepel:

Feladatcsoportok

 1.) Osztályozási problémák (pl.paritás, kettős spirál, stb.) vizsgálata

  - önllóan implementált MLP/előre csatolt hálóval

  - háló architektúrájának hippotézisterére gyakorolt hatása

  - tanulás hiperparamétereinek gyakorlati hatásai

  - súlyok kezdeti inicializálásának hatása
  - hasonló vizsgálatok végzése RBF, SVM, CMAC, szekvenciális hálózatok, illetve konvolúciós hálózatok használatával

 2.) Bonyolultabb felismerési feladatok megoldása:

  - különböző képfelismerési feladatok pl. SVHN, Cifar10,  ujjlenyomat felismerés, hasonlósági függvény tanulása

  - hangfelismerés

 3.) Kombinatoriuks optimalizációs probléma megoldása Hopfield hálóval

      - Megoldás implementációja, annak összevetése IP solver eredményével, stb.

 4.) Képtömörítés és zajszűrés vizsgálata különböző önszervező algoritmusokkal

      -  PCA hálók: pl. Sanger algoritmus, Oja algoritmus, APEX háló, Nemlineáris tömörítés, Kernel PCA
      -  GAN ilyen jellegű alkalmazása  

  5.) A Kohonen háló működését illusztráló "Kohonen mozi" elkészítése

  6.) Tanulási eljárások módosításai, azok elemzése

         - extrem learning machine

         - Nulladrendű optimalizáció

         - konjugált gradiens módszer

         - RLS algoritmus

         - Levenberg-Marquardt eljárás

        - SGD, minibatch vizsgálata

        - SVM kernel függvény megválasztása

7.) Dinamikus hálók (rekurzív BP, RTRL, BPTT, stb.) alkalmazása.

        - idősor előrejelzés (pl. napfolt tevékenység előrejelzése, tőzsdei trendfordulók előrejelzése)

        - kaotikus folyamatok rövid távú előrejelzése

8.) Dinamikus rendszerek identifikációja

        - fordított inga egyensúlyozása,

        - autó mozgatás (tolatás adott pozíció eléréséig)

        - hátrafelé parkolás járda mellé két autó közé

        - mozgás labirintusban

        - különböző hálózatok képességeinek összehasonlítása  

9.) Adattömörítő hálók vizsgálata, főkomponens analízis (PCA) és gyakorlati alkalmazása

        - PCA hálók, kernel PCA vizsgálata és alkalmazása

10.) Független komponens analízis (ICA) és gyakorlati alkalmazása:

        - összetett jelek pl. beszédjelek, illetve képek szétválasztása kom­po­­nen­seikre

11.) Mély tanuló eljárások vizsgálata: 

         - konvolúciós réteg konstrukciója, tanítása kézzel implementált TBP-vel, BPTT-vel

         - deep learning új strukturális elemei által okozott módosítások analízise
         - Kapuzó hálózatok alkalmazása mély neurális hálókban
         - Visual attention alkalmazása és vizsgálata

 12.) Moduláris hálózatok vizsgálata

        - MOE architektúra azonos, illetve különböző típusú szakértőkkel

        - boosting eljárások vizsgálata és alkalmazása
        - Federált tanulás vizsgálata

 13.) Adathiányos problémák vizsgálata

        - Félig ellenőrzött tanítás
        - Aktív tanulás

 14.) Hálók működésének interpretációja

        - Deep Taylor dekompozíció alapú vizsgálat
        - Lokális, lineáris modelillesztés alapú vizsgálat
        - Shapely Value alapú vizsgálatok

Komplexebb feladatok esetén használhatóak körismert neurális hálós / gépi tanulásos környezetek, keretrendszerek (pl. Tensorflow / Pytorch, Matlab toolboxok, stb.).

További feladatokhoz találhatók ötletek, illetve különféle neurális megoldások tesztelésére adatbázisok az alábbi web címeken:

  http://www.cs.cmu.edu/afs/cs.cmu.edu/project/ai-repository/ai/html/other/repositories.html

 http://lib.stat.cmu.edu/datasets/

 ftp://ftp.ics.uci.edu/pub/machine-learning-databases/

 http://archive.ics.uci.edu/ml/

https://www.kaggle.com/competitions

adathalmazok keresésére: https://datasetsearch.research.google.com