The course aims to enable students to
        ◦ learn the repeatable methods of image and video processing used in scientific research

Learning outcomes, competences: the student

Knowledge: 
- is familiar with the most important open-source image and video processing tools
Ability:
- is able to process images and video on his/her own
- is able to process images and video in a repeatable and well documented way
- is able to plan an effective way to collect analysable data
Attitude:
- works in an environmentally aware way, favouring electronic storage and management methods, and develops independent learning skills
- strive to develop problem-solving skills
Autonomy and responsibility:
- has the necessary autonomy to prepare the data analysis phase of research projects.

Course content, topics

• Image processing automatisation with command line tools:
• ImageMagick,
• VLC,
• Mplayer,
• ImageJ,
• ffmpeg

• Video analysis tools:
• Mwrap,
• Tractor,
• Boris,
• idTracker

• Python OpenCV

Evaluation
        ◦ To receive a grade, attendance in class and submission of homework assignments by the deadline in moodle is required.
        ◦ Practical exams.

The course aims to enable students to

• Be able to work independently in a Linux command line environment
• Be able to solve text processing problems in a command line environment

Learning outcomes, competences: the student

Knowledge:

• Learns about the Linux operating system and is able to use basic Linux tools in practice

Ability:

• Is able to work independently in a Linux environment

Attitude:

• works in an environmentally aware way, favouring electronic storage and management methods, and develops independent learning skills
• is committed to quality work
• strives to develop problem-solving skills
• is open to new biological and other scientific research findings

Autonomy and responsibility:

• Continuously develops his/her IT skills and knowledge, and has the necessary autonomy to prepare the data analysis phase of research projects.

Course content, topics:

• Filesystem: ls, find, cat, vi, joe
• Processes: bg, fg, top, ps 
• Network basics: ssh, scp, screen
• Text processing: grep, sed, | ,awk, tr, cut
• Regular expressions
• Bash programming

Milestones:

• Basic usage of Linux terminal. Creating and edit files, folders. Navigate in the file system.
• Log in to remote terminal, transfer files between remote and local place.
• Search and filter text files using grep, sed, awk
• Piping commands (grep, ls, sed, cat, cut, tr) to process text files
• Using regular expression in sed and awk
• Applying loop commands, functions to solve complex command line tasks

Assessment

During lessons, students are asked questions and may also formulate their own questions. 1 mark may be awarded on a per-occasion basis for assessable questions and answers containing substantive professional content. Simple, trivial answers or those requiring no particular problem-solving or professional justification cannot, in themselves, be awarded marks.

If the answer is not a simple verbal response, students may demonstrate their solution by sharing their computer screen.

The use of AI tools is permitted when formulating answers or solving tasks, provided that the question (prompt) posed to the AI is also presented. In such cases, the assessment will also take into account how accurately and appropriately the student was able to formulate their question, and how well they can interpret and verify the answer provided by the AI.

Every student must complete all milestones. To complete a milestone, a student must score at least 3 points.

The course aims to enable students to

• be able to apply algorithmic thinking methodology to solve problems.
• master the Python programming language and object-oriented programming.
• gain practice in program development in Python through a significant amount of classroom and homework.
• recognize problems that can be algorithmised and be able to implement them in Python

Learning outcomes and competences: the student will

Knowledge:

• Be familiar with the elements of the Python programming language and apply them in practice for program development.

Ability:

• Be able to formulate problems algorithmically and to implement algorithms efficiently in Python.

Attitude:

• Strives to develop problem-solving skills,
• work in an environmentally aware way, prefer electronic data storage and management methods, develop independent learning skills;

Autonomy and responsibility:

• Continuously develops his/her skills in the field of programming and self-monitoring.

Course content and topics

• Steps to develop a program in Python. Types of errors, syntactic and semantic errors and how to avoid them.
• Python program structure, structured programming.
• Data and variables. Data types. Instructions, loops.
• Functions. Files.
• Data structures: strings, lists, dictionaries.
• Classes, objects, inheritance.
• Exception handling.

A kurzus célja, hogy a hallgatók

• ismerjék és alkalmazni tudják az R statisztikai környezetet
• ismerjék és használni tudják az alapvető kísérlettervezési és adatkezelési eljárásokat
• el tudjanak végezni és értelmezni tudjanak egyszerű statisztikai próbákat
• ismerjék és alkalmazni tudják az egyszerű többváltozós elemzési módszereket.

Tanulás eredmények, kompetenciák: a hallgató

Tudás:

• ismeri a fontosabb statisztikai fogalmakat, statisztikai próbákat, többváltozós statisztikai módszereket és ezek alkalmazhatósági feltételeit

Képesség:

• képes egyszerű tudományos projektek adagyűjtését megtervezni
• képes az adatait a statisztikai elemzésekhez előkészíteni, illetve képes mások adatait értelmezni és kezelni
• képes egyszerű statisztikai eljárások elvégzésére
• képes egyszerű statisztikai eljárások értelmezésére

Attitűd:

• elkötelezett a minőségi munkavégzés iránt
• törekszik problémamegoldó-képességének fejlesztésére
• nyitott az új biológiai és más természettudományos kutatási eredmények megismerésére

Autonómia és felelősség:

• rendelkezik kutatási projektek adatelemzési fázisának elvégzéséhez szükséges önállósággal

A kurzus tartalma, témakörei

• Bevezető az R statisztikai környezet használatába.
  
• Adatkezelési alapfogalmak.
  
• Leíró statisztika.
  
• Statisztikai hipotézisvizsgálat.
  
• Átlagokra vonatkozó statisztikai próbák.
  
• Nem-parametrikus próbák.
  
• Varianciákra és eloszlásokra vonatkozó statisztikai próbák.
  
• Varianciaanalízis.
  
• Folytonos változók kapcsolatainak vizsgálata.
  
• Lineáris regresszió és korrelációszámolás.
  
• Kovarianciaanalízis.
  
• Többváltozós statisztikai modellek.
  
• Modellszelekciós eljárások.
  
• Lineáris statisztikai modellek alkalmazhatósági feltételei.
  
• Általánosított lineáris modellek.
  
• Kevert lineáris modellek.
  
• Főkomponens-analízis.