Elméleti bevezető

1.   Diagnosztika, mint osztályozási feladat.

2.   Képeken alapuló diagnosztikai feladatok. Képek jellemzése, jellemzők alapján történő osztályozás. A gépi tanulás szerepe az osztályozók kialakításában. Ellen­őr­zött és nemellenőrzött tanítás, klaszterezés, félig ellenőrzött tanítás.

3.   Osztályozási feladat megoldása: algoritmikus  megoldás, minták alapján gépi tanu­lással történő megoldás.

4.   Univerzális osztályozó architektúrák: neuronhálók. Elemi neuronok és képességeik. Univerzális osztályozó képesség biztosítása: összetett neuronhálók: MLP, RBF, SVM. A hálók konstrukciója: hálóarchitektúra megválasztása, a hálók szabad paramétereinek meghatározása: mintákból történő tanítás.

5.   Tanító mintakészlet (adatbázis) összeállítása. Input adatok dimenziójának megha­tározása: lineáris és nemlineáris dimenzióredukció. Háló­komplexitás (szabad paraméterek száma), tanító minták száma. Kiértékelés, vali­dáció, tesztelés.

6.   Új módszerek a gépi tanulás alapú osztályozásban: mély hálók: motiváció, alapvető architektúrák. Közvetlen képelemzés és osztályozás. A főbb architektúrális ele­mek: konvolúciós, pooling, rétegek stb. Dinamikus hálóelemek: visszacsatolt rétegek: LSTM, RNN.

7.   Mély hálók tanítása. Megfelelő számú tanító minta biztosítása. Transfer learning, fine tuning.

8.   Mély hálók implementálása, fontosabb keretrendszerek. (CNTK, Tensor­Flow, Alex­net, Keras...). Összehasonlítás (rugalmasság, gyorsaság, számí­tási környezet, stb.).

Demo, számítógépes gyakorlat

Klasszikus neuronhálók osztályozási feladatra, mély hálók képelemzés, osztályozás célra. A fontosabb keretrendszerek gyakorlat keretében történő bemutatása (Keras, TensorFlow,...) és azok alkal­mazása.