Az Intelligens adatelemzés és döntéstámogatás tantárgy haladó, a gépi tanulás és mélytanulás kutatási
frontvonalában lévő megközelítéseket mutat be, így segítve valós problémák szélesebb körének mérnöki
megoldását. Elsőként áttekintjük a bayes statisztikai és döntéselméleti kereteket, amelyek egységes
keretet nyújtanak a háttértudás felhasználásához, a hiányos és bizonytalan adatok kezeléséhez, komplex
modellek alkalmazásához és az intelligens következtetési formákhoz, adaptív adatgyűjtéshez.
Intelligens adatelemzési módszerek között bemutatjuk azokat a technikákat, melyek előfeldolgozásként
segíthetnek az elemzés hatékonyságán, jóságán. Ezek között a dimenziócsökkentési és reprezentáció
tanulási módszerek a hatékonyságot növelik - az utóbbiak absztraktabb megoldást nyújtva - a klaszterezés
pedig fontos része az adatelemzés folyamatának. Az adatelemzést segítő gépi tanuló módszerek
teljesítményének növelése történhet együttes gépi tanuló módszerekkel, ezen kívül valós teszthalmazon
robusztusabb teljesítmény érhető el regularizációval. Részletesen ismertetjük az adatvezérelt
döntéstámogatást ezekkel a gépi tanuló módszerekkel és a döntések kiértékelésének folyamatát,
gyakorlatban bemutatjuk ezek használatát különböző típusú (egyszerű, hierarchikus, idősoros,
strukturálatlan) adatokon.
A beavatkozási adatok kezelésére és az intelligens adatgyűjtés támogatására bemutatjuk a valószínűségi
gráfos modellosztályt és a kapcsolódó döntési hálókat és oksági hálókat, a valószínűségi, oksági
és kontrafaktuális következtetési módokat. Ismertetjük a bayes következtetések közelítő számítási
módszereit, elsősorban a Markov lánc Monte Carlo módszereket. Bemutatjuk az oksági modellek modern
gépi tanulási módszereit és a háttértudás szerepét a tanulásban, adat- és tudásfúzióban. Az adaptív adatgyűjtés keretén belül bemutatjuk az aktív tanulást, a megerősítéses tanulást és a k-karú rablókat, ezek alkalmazását ajánló rendszerekben és felfedező rendszerekben.