A tantárgy célja
A tantárgy célja a hallgatók megismertetése a modern gépi tanulási módszerek elméleti alapjaival és alkalmazási lehetőségeivel, különös tekintettel az ensemble-technikákra, a nemlineáris döntési modellekre és a magas dimenziójú adatok kezelésére. A kurzus a mélyebb megértést célozza, és gyakorlati példákon keresztül mutatja be a módszerek működését.
Elsajátítandó ismeretek és készségek
· Weak learner fogalma és tulajdonságai; ensemble-modellek működési elvei.
· Bagging, Random Forest, AdaBoost, Gradient Boosting, XGBoost és LightGBM gyakorlati alkalmazása Pythonban.
· Sűrűségalapú klaszterezési módszerek: DBSCAN és HDBSCAN.
· Teljesítménymérés és modellvalidáció: precision, recall, F1, ROC, AUC és cross-validation.
· Magas dimenziójú adatok kezelése, feature importance és modellösszehasonlítás.
· NLP-alapok: tokenizálás, szövegreprezentációk, embeddingek és egyszerű szövegosztályozási feladatok.
· Reprodukálható kísérletek tervezése, hiperparaméter-hangolás, hibatűrés és optimalizálás.
- Oktató: Dr. Harangi Balázs
