Mesterséges intelligencia szakirány

Mesterséges intelligencia szakirány A mesterséges intelligencia szakirány célja a gépi intelligencia meghatározó területein gyakorlati munkára is felkészítõ ismeretek átadása. Az intelligens rendszerek egyre ígéretesebb, meghatározó komponensei közül kiemelt szerepet kapnak az érzékelõ rendszerek, a mesterséges neurális hálózatok, a mobil eszközök programozása, valamint az autonóm ágensalapú rendszerek. A szakirány fontos szerepet tulajdonít a hallgatók önálló kutató-fejlesztõ munkájának. A nagyobb életszerû projektmunkák megoldása hozzásegíthet az ismeretek készségszintû elsajátításához, és megalapozhatja a minõségi diplomamunkát. Tantárgyak Mobil rendszerek programozása Érzékelõ alapú rendszerek Ágensrendszerek Mesterséges intelligencia K+F I. Mesterséges intelligencia K+F II. Adaptív rendszerek

106

5. szemeszter 6. szemeszter 7. szemeszter ea gy l k kr ea gy l k kr ea gy l k kr 1 0 2 v 3 1 0 1 v 3 2 0 1 v 3 0 0 1 f 1 0 0 3 f 5 1 0 1 v 3

MESTERSÉGES INTELLIGENCIA SZAKIRÁNY

Mesterséges intelligencia K+F II. Elõfeltételek: Ágensrendszerek; Mesterséges intelligencia K+F I.; Adaptív rendszerek szemeszter: 7.

óraszám (ea/gy/l): 0/0/3 követelmény: f

kredit: 5

A tematika kidolgozója: dr. Kutor László fõiskolai docens A tantárgy célja: A tudásalapú, intelligens rendszerek alkalmazásfejlesztés módszertanának megismertetése. Projektmunkákon keresztül a hallgatók (többnyire csoportmunkában) gyakorlatot szereznek a rendszerterv kidolgozásában, a megvalósításban, valamint az eredmények dokumentálásában és hatékony bemutatásában. A korszerû feladatok megvalósítása fejleszti a hallgatók kreativitását is.

Ajánlott irodalom: Kutor L.: Szöveggyûjtemény, BMF NIK, 2004 Korábbi projektbeszámolók, BMF NIK, http://mobil.nik.bmf.hu

A gyakorlatok témakörei: • • • • •

A specifikáció és rendszerterv véglegesítése (UML) A terv megvalósítása, a munka dokumentálása Az eredmények tesztelése, értékelése A továbbfejlesztési lehetõségek elemzése A munka eredményeinek bemutatása, technikai jelentés készítése, szóbeli bemutató PPT-vel, rendszer ismertetése mûködés közben.


111

Mesterséges intelligencia K+F I. Elõfeltételek: Mobil rendszerek programozása; Érzékelõ alapú rendszerek szemeszter: 6.

óraszám (ea/gy/l): 0/0/1 követelmény: f

kredit: 1

A tematika kidolgozója: dr. Kutor László fõiskolai docens A tantárgy célja: A tudásalapú, intelligens rendszerek alkalmazásfejlesztés módszertanának megismertetése. Projektmunkákon keresztül a hallgatók (többnyire csoportmunkában) gyakorlatot szereznek a problémák elemzésében, az irodalomkutatásban, valamint a specifikáció és rendszerterv kidolgozásában. A korszerû feladatok megvalósítása fejleszti a hallgatók kreativitását is.

Ajánlott irodalom: Kutor L.: Szöveggyûjtemény, BMF NIK, 2004 Korábbi projektbeszámolók, BMF NIK, http://mobil.nik.bmf.hu

A gyakorlatok témái: • A megoldandó probléma megfogalmazása, • A probléma jelentõségének vizsgálata elméleti, gyakorlati és gazdasági szempontból • A probléma elemzése, a lényegtelen és félrevezetõ adatok megfontolása, elõzetes specifikáció kidolgozása • Hasonló problémák és lehetséges megoldások vizsgálata (irodalomkutatás) • Választás a lehetséges alternatívák közül. A választás indoklása • A specifikáció és rendszerterv kidolgozása

110


Ágensrendszerek Elõfeltételek: Mobil rendszerek programozása; Érzékelõ alapú rendszerek szemeszter: 6.

óraszám (ea/gy/l): 2/0/1 követelmény: v

kredit: 3

A tematika kidolgozója: Molnár András fõiskolai adjunktus A tantárgy célja: A programozás és intelligens fizikai rendszerek megvalósításában alkalmazott legkorszerûbb ágensparadigma ismertetése, valamint gyakorlat biztosítása mûködõ rendszerek tervezéséhez és használatához. Az elõadások tartalma: Alapfogalmak Ágens fogalma, ágensek csoportosítása, jellemzõi, általános felépítésük és felhasználási lehetõségeik. Szoftverágensek Információs ágensek (adatgyûjtõ robotok), interfész ágensek (elektronikus áruházak intelligens ágensei), oktatóágensek (oktatóprogramok virtuális tanárai).

A laboratóriumi gyakorlatok témái: • Ágensalapú rendszerek szimulációs környezetei. • Szoftverágensek megvalósítása, tesztelése (interfész ágensek és adatgyûjtõ ágensek). • Fizikai ágensek programozása, mûködtetése. • Multiágens rendszerek kommunikációjának vizsgálata. • Ágensrendszerek teljesítményelemzése. Ajánlott irodalom: S. Russell, P. Norvig: Artificial Intelligence, A Modern Approach, Prentice Hall, 1995, magyar fordítása: Mesterséges intelligencia modern megközelítésben, PANEM, 2000 Futó I. (szerk.): Mesterséges intelligencia, Aula Kiadó, 1999 Kóczi A., Kondorosi K.: Operációs rendszerek mérnöki megközelítésben, PANEM, 2000

Fizikai ágensek Ágenselvû robotok felépítése, mûködése, funkciók elkülönítése és egyesítése, elosztott intelligens vezérlõrendszerek. Multiágensek Elosztott rendszerek mûködési elvei (kooperáció és versengés), elosztott rendszerek alkalmazásainak lehetõségei, elõnyei, problémái. Ágensek mobilitásának feltételei Mobilitást támogató környezetek, platformok (gyakorlati példák és problémák). Kommunikáció Ágensek kommunikációja, egységesített adatszerkezetek, kommunikációs protokollok.


109

Érzékelõ alapú rendszerek Elõfeltételek: Matematika szigorlat; Szoftver szigorlat szemeszter: 5.


kredit: 3

A tematika kidolgozója: Molnár András fõiskolai adjunktus A tantárgy célja: A hallgatók megismerkednek különféle fizikai jellemzõk mérésének módszereivel, valamint a mért adatok feldolgozási eljárásaival.

Adattovábbítás Vezetékes adattovábbítás. Vezeték nélküli adattovábbítás A laboratóriumi gyakorlatok témái:

A tantárgy tartalma: Alapfogalmak A mérés fogalma, mérõeszközök általános felépítése, távérzékelõ rendszerek elvi felépítése, környezetérzékeny intelligens rendszerek. Szenzorok csoportosítása: Mérendõ fizikai mennyiségek szerint közvetlen mennyiségeket érzékelõk (hõmérsékletmérõk, feszültségmérõk, fénymennyiségmérõk, nyomásmérõk). Közvetett mennyiségeket mérõk (távolságmérõk, magasságmérõk, helymeghatározók – GPS). Mérési elvek Távolságmérési módszerek (ultrahangos távolságmérés, infra-reflexiós távolságmérés, lézeres távolságmérés). Iránymérési módszerek (kollimátoros iránymeghatározás, iránymeghatározás világítótorony segítségével, rádiós iránymérés). Képrögzítési technikák (csöves képrögzítés, félvezetõs képrögzítés, speciális képalkotási módszerek – gamma-kamera).

• • • • • •

Adatfolyamokon alkalmazott valós idejû szûrések Konvolúciós szûrõk programozása Kvázi-digitális jelek feldolgozása Mérési adatgyûjtõk programozása Képi információk feldolgozása Minõségjavító programok készítése, elõfeldolgozó eljárások, objektumok felismerése, objektumok követése • Sztohasztikus jelek feldolgozása (Gamma-kamera, PET képalkotási módszerek) Ajánlott irodalom: Stuart J. Russel, Peter Norvig: Mesterséges intelligencia modern megközelítésben, Prentice-Hall, 1995, Magyar fordítás: Panem Kft., 2000 Mûholdas helymeghatározás I-II., http://bmegeod.agt.bme.hu/tutor_h/terinform/t35a.htm

Szenzorok kompenzálása, érzékenység beállítása, védelme Mérési adatok digitalizálása Digitális kimenetû szenzorok, kvázi-digitális kimenetû szenzorok, A/D konverzió problémái, adatgyûjtési frekvencia. Mérési eredmények feldolgozása Mérési hibák, szórások, adatok szûrése. Egyenesek, görbék illesztése. Alapvetõ képfeldolgozó algoritmusok (szûrések, korrekciók, élkiemelések).

108


Mobil rendszerek programozása Elõfeltételek: Matematika szigorlat; Szoftver szigorlat szemeszter: 5.


kredit: 3

A tematika kidolgozója: Ladányi Zoltán fõiskolai tanársegéd A tantárgy célja: A tantárgy célja a legkorszerûbb mobil platformok és alkalmazói környezetek megismertetése. Az elõadások bemutatják a legfontosabb programozási környezeteket és a mobil szoftverfejlesztés módszertanát. Laboratóriumi gyakorlatok keretében a hallgatók készségszinten elsajátítják az egyes programfejlesztõi környezetekkel végezhetõ programozás gyakorlatát. A tantárgy tartalma: Bevezetés A mobil piac helyzete, programozási platformok áttekintése Tartalomadaptálás Tartalomszolgáltatás felépítése, XML/XSLT, UAProf, WURFL, automatikus HTML-WML konverzió A mobil eszközzel való kapcsolat kiépítése Soros port, Bluetooth, IrDA , WLAN Java J2ME J2ME kialakulása, piaci helyzete, CLDC, MIDP, célja, felépítés, követelmények, jellemzõk, fejlesztõeszközök, fontosabb package-ek, API-k

A laboratóriumi gyakorlatok témái: • Tartalomadaptálás a gyakorlatban (PHP, Apache) • Soros port kommunikáció programozása • Java-s fejlesztõkörnyezetek ismertetése: J2ME Wireless Toolkit, JBuilderX, SDK-k • Programozás CLDC/MIDP alá • Hálózati kapcsolat kiépítése MIDP alatt • J2ME Wireless Messaging API (WMA) felhasználása • J2ME Mobile Media API (MMAPI) felhasználása • Symbian-os fejlesztõkörnyezetek ismertetése: CBuilderX, SDK-k • AIF fájlok szerepe • Környezetérzékeny súgók létrehozása Symbian alatt • SIS fájlok készítése Ajánlott irodalom: Forum Nokia, http://www.forum.nokia.com/ Symbian OS, http://www.symbian.com/ J2ME documentations, http://java.sun.com/j2me/docs/ Microsoft Developer's Network, http://msdn.microsoft.com/

Symbian Kialakulása, piaci helyzete, általános jellemzõk, a Symbian változatai, Series 60-80-90, UIQ, felépítése, fejlesztõeszközök, fontosabb API-k Microsoft a mobil piacon Embedded, CE, Pocket PC, SmartPhone, .NET Microsoft Pocket PC és SmartPhone Piaci helyzete, általános jellemzõk, fejlesztõeszközök, felépítés, jellemzõk, fontosabb API-k Program optimalizálás Memória, verem, futásidõ, kódméret, optimalizáló eszközök áttekintése (AQTime)


107

Adaptív rendszerek Elõfeltételek: Mobil rendszerek programozása; Érzekelõ alapú rendszerek szemeszter: 6.


kredit: 3

A tematika kidolgozója: Ladányi Zoltán fõiskolai tanársegéd A tantárgy célja: A gépi tanulási módszerek bemutatása, gyakorlat biztosítása a legfontosabb módszerek használatához. A tantárgy tartalma: Bevezetés Adaptív rendszer alapfogalmai: osztályozás, tanulás, általánosítás, túltanítás. Tanítási/tanulási módszerek: felügyeletes, felügyelet nélküli. Adaptív rendszer teljesítményének mérése Hibák értelmezése, valós és látszólagos hibaarány, túlspecializáció. A hibák okai és kezelésük

A laboratóriumi gyakorlatok témái: • Statisztikai módszerek • Neurális tanulórendszerek (NeuralWorks, Stuttgart) • Fuzzy tanulórendszerek (FuzzyTech) Ajánlott irodalom: T. M. Mitchell: Machine Learning, McGraw-Hill Science/Engineering/Math, 1997 S. M. Weiss, C. A. Kulikowski: Computer Systems That Learn, Morgan Kaufmann Publishers, 1991

Statisztikai módszerek Lineáris regresszió, Bayes-döntés, lináris diszkrimináció, legközelebbi szomszéd. Jellemzõk elemzése, kiválasztása Neurális tanulórendszerek Elõrecsatolt hálózatok, Back-propagation. Visszacsatolt hálózatok, Hopfield. Tanítási paraméterek kiválasztásának szempontjai, hiba mérése neurális hálózatoknál, tanítóadatok választásának szerepe. Szimbolikus, szabályalapú módszerek Szabályalapú döntési módszerek. Döntési fák, döntési szabályok. Fuzzy tanulórendszerek Módszerválasztás, elemzés szempontjai Pontosság becslése, tanulási sebesség, osztályozás pontossága, magyarázatadás képessége, hiányzó adatok kezelése, inkrementális vagy egylépcsõs tanulás képessége.

112


Mesterséges intelligencia szakirány

Recommend Documents