Feladatok

Adminisztratív információ a beszámolókról:

Házi feladatok bemutatása: hallgatótársaitok előtt az utolsó héten az előadások idejében (igény esetén plussz időpontot allokálunk rá). A szóbeli beszámolók konkrét beosztásra majd jelentkezni lehet egy erre szolgáló űrlap kitöltésével. A beszámolók bruttó időkerete csapattagonként 7 perc, a feladatok megoldásairól a beszámolás diasor segítségével történik, melyet a hf.mit.bme.hu portálra kell a beszámolást megelőző nap 24:00-ig feltölteni. A félévközi házi feladat teljesítésének továbbá feltétele egy írásbeli beszámoló, melynek leadási határideje a pótlási hét vége (vagy pótlási héten történő vizsgázás esetén a vizsga napját megelőző nap 24:00). Ennek javasolt terjedelme csapattagonként 7 oldal.

Az előzetes jelentkezések alapján elkészült a szóbeli besszámolók beosztása.

A feladatokra jelentkezés személyesen (e-mailben történik) 2023.04.19.-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 (ha már ismertek), 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 üti meg az elégséges szintet, abban az esetben a csoport minden tagja bukja az alárást!

A feladatok lehetőleg saját feladatok legyenek, vagyis mindenki próbáljon definiálni egy számára érdekes feladatot, melyet neuronhálóval meg lehet oldani. Az elképzelt feladat rövid (kb 1 oldalas) specifikálásáról emailt kérek. Egyeztetés után alakulnak ki a végleges feladatok.

Azok, akik nem kívánnak saját feladatot hozni, javasolhatunk mi is feladatokat. Az alábbi listában példaként néhány ilyen feladattípus szerepel.

Feladatcsoportok

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

     önllóan implementált MLP hálóval

  - rejtett réteg méretének a hatása

  - tanulási együttható, illetve momentum tag hatása

  - súlyok kezdeti inicializálásának hatása

     RBF-fel

     CMAC-val,

     SVM-mel 

     összehasonlítás

  2.) Egyszerű mintafelismerési feladatok vizsgálata hibavisszaterjesztéssel tanított hálóval

       - rögzített elrendezésű és fix méretű karakterek felismerése, tanítás után a képek felismerése zaj hozzákeverése mellett

       - milyen változást jelent, ha már a tanítás során is keverünk zajt a képekhez

       - a rejtett réteg méretének optimalizálása

      - sokrétegű MLP (Deep háló) vizsgálata és alkalmazása

      - Deep learning programcsomag megismerése

 3.) Bonyolultabb felismerési feladatok megoldása:

  - különböző képfelismerési feladatok pl. kézzel írott karakterek felismerése,  ujjlenyomat felismerés, hasonlósági függvény tanulása

  - hangfelismerés

  -      ...

 4.) Zajszűrés

     A feladat hasonló az előző pontban leírtakkal, de itt a kimeneten ne egy kódot próbáljunk
     előállítani, hanem a bemeneti képpel azonos méretű tiszta képet.

 5.) Kombinatoriuks optimalizációs probléma megoldása Hopfield hálóval

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

 

 6.) Képtömörítés és zajszűrés vizsgálata különböző önszervező algoritmusokkal

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

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

  8.) Tanulási eljárások módosításai, azok elemzése

         - extrem learning machine

         - lazy learning

         - konjugált gradiens módszer

         - RLS algoritmus

         - Levenberg-Marquardt eljárás

        - SGD, minibatch vizsgálata

         - stb.

        - SVM kernel függvény megválasztása

9.) Genetikus algoritmus alkalmazása NN tanítására

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

        - idősor előrejelzés (pl. napfolt tevékenység előrejelzése)

        - kaotikus folyamatok rövid távú előrejelzése

 

11.) Dinamikus rendszerek identifikációja (bonyolultabb, két-emberes feladatok)

        - fordított inga egyensúlyozása,

        - autó mozgatás (tolatás adott pozíció eléréséig)

        - hátrafelé parkolás járda mellé két autó közé

        - mozgás labirintusban

        - különböző hálózatok képességeinek összehasonlítása  

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

        - PCA hálók, kernel PCA vizsgálata és alkalmazása

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

        - összetett jelek pl. beszédjelek, illetve képek szétválasztása kom­po­­nen­seikre

14.) Elméleti jellegű feladatok

15.) Újabb (Deep) 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

 16.) Moduláris hálózatok vizsgálata

        - MOE architektúra azonos, illetve különböző típusú szakértőkkel

        - boosting eljárások vizsgálata és alkalmazása

 17.) Adathiányos problémák vizsgálata

        - Félig ellenőrzött tanítás
        - Federált tanulás

        - Aktív tanulás

 18.) Hálók működésének interpretációja

        - Deep Taylor dekompozíció alapú vizsgálat
        - Lokális, lineáris modelillesztés alapú vizsgálat

Komplexebb feladatok esetén használhatóak körismert neurális hálós / gépi tanulásos környezetek, keretrendszerek (pl. Matlab Deep Learning Toolbox, Python - Tensorflow / Pytorch, 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

 

© 2010-2024 BME MIT