1. Mesterséges intelligencia (MI) előzményei, korszakai, főbb mérföldkövei. Az intelligencia meghatározása, intelligens viselkedés mérnöki megközelítése. Hol tart most az MI, melyek a már megoldott problémák, és melyek jelenleg a legfőbb kihívásai. 

2. Az MI etikai, jogi, társadalmi kérdései. Milyen változásokat eredményezett és fog eredményezni az MI az emberek életében? Mérnökként milyen etikai elveket kell szem előtt tartani MI rendszerek tervezése során? Az emberközpontú MI paradigma lényege. 

3. Intelligens rendszerek tervezése: az ágens definíciója, komponensei, környezetek, architektúra és megvalósítás. Keresési tér és az alapvető ágenstípusok kapcsolata. Ágensek belső felépítése, viselkedése. Problémamegoldás kereséssel: az intelligens rendszerek átfogó algoritmusai, alapvető matematikai absztrakciói. Nem informált keresési algoritmusok.  

4. Informált keresési algoritmusok, heurisztikák. Keresés komplex környezetekben. Hogyan kell az eddig megismert algoritmusokat kreatívan alkalmazni az intelligens viselkedés megvalósításához. Kényszerkielégítési problémák (CSP). A kényszer fogalma, kényszerek terjesztése. Általános heurisztikák, kényszergráf felhasználása. Gyakori CSP alkalmazások. 

5. Keresés ellenséges környezetben. Optimális döntések két vagy többszemélyes játékokban, játékelméleti alapok. Minimax algoritmus és kiterjesztései. Véletlen elemet tartalmazó játékok. Az MI módszerek fejlődése a játékproblémák megoldása által.  

6. Tudás, mint az intelligencia alapvető komponense. Tudás formalizálása logikával. Logikai operátorok, következtetés, bizonyítás. Ítéletlogika és elsőrendű logika kifejező ereje, tulajdonságai. 

7. Tudásmérnökség, ágensek logikai leírása. Problémamegoldás logikai következtetéssel. Előrefelé láncolás, hátrafelé láncolás, rezolúció. Tervkészítési módszerek, gyakorlati alkalmazások. Fogalomtárak, leíró logikák, szemantikus módszerek. 

8. Hiányos, bizonytalan és változó tudás: bizonytalanság kezelése a valószínűségszámítás eszköztárával. Bayes-szabály, bayesi frissítés. Bizonytalan tudás reprezentációja valószínűségi hálókkal.  

9. Bayes-hálók tulajdonságai. Bayes-hálók konstrukciója, a struktúra és a paraméterezés szerepe. Naiv Bayes-hálók és alkalmazásaik. Valószínűségi következtetés Bayes-hálókban egzakt és közelítő módszerekkel.  

10. Racionalitás és hasznosság alapfogalmai. Intelligencia, mint a racionális döntés képessége. Hasznosságfüggvények és tulajdonságaik. Döntési hálók.   

11. Szekvenciális döntések kérdései. Markov döntési folyamatok (MDF), Bellman-egyenlet. Módszerek teljesen és részlegesen megfigyelhető Markov döntési folyamatok megoldására. MDF kapcsolata a megerősítéses tanulással. 

12. Tanulás, mint az intelligencia alapvető mechanizmusa. A gépi tanulás alapfogalmai. A gépi tanulás fő ágai: felügyelt tanulás, nem felügyelt tanulás, megerősítéses tanulás.  A felügyelt tanulás folyamata, modellek minősítése, jósági mutatók. 

13. Induktív tanulás fogalma, induktív következtetés. Hipotézistér, konzisztens hipotézis, Ockham borotvája. Bias - variancia kompromisszum, alulilleszkedés, túlilleszkedés. A statisztikai tanulás alapjai. 

14. Optimalizációs technikák, gradient descent, stochastic gradient descent, genetikus algoritmusok. 

15. Felügyelt tanulási módszerek. Regressziós és osztályozási feladatok. Naiv Bayes-osztályozó. Regressziós modellek, egyváltozós és többváltozós lineáris regresszió, logisztikus regresszió. Regularizációs technikák.   

16. Döntési fa tanulása, tulajdonságai. Döntési fa, mint logikai hipotézisek tanulásának eszköze. Entrópia és információnyereség alapú megközelítés döntési fáknál. Pruning és keresztvalidációs technikák.  

17. Együttes tanulás (ensemble learning). Bagging, stacking, boosting technikák. Véletlen erdő (random forest), AdaBoost algoritmus, gradiens boosting. 

18. Neurális hálók alapjai, perceptron modell.  Mesterséges neurális hálók tulajdonságai, kifejező ereje, tanítása.  

19. Mély neurális hálók alapjai. A fejlődést lehetővé tevő összetevők: algoritmus, architektúra és hardver. A mélytanulás által elért áttörés, gyakorlati alkalmazások. 

20. Megerősítéses tanulás. A jutalom szerepe a tanulásban. Passzív megerősítéses tanulás, adaptív dinamikus programozás, időbeli különbség (TD) tanulás. Aktív megerősítéses tanulás. Q tanulás. 

21. A gépi tanulás távlatai. Ember-gép döntéshozatal, machine teaching, mesterséges általános intelligencia. 

A laborok részletes tematikája:

1. Nem informált és informált keresési algoritmusok alkalmazása. Közös struktúrák és keretrendszer megismerése. Szélességi, mélységi, egyenletes költségű, mohó és A* keresés megvalósítása egy útkeresési probléma megoldására. 

2. Keresés ellenséges környezetben. Játékfeladat megoldása Minimax algoritmussal és kiterjesztéseivel. CSP feladat megoldása általános heurisztikákkal. 

3. Bizonytalan tudás ábrázolása Bayes-hálókkal. Tudásmérnöki feladatok, Bayes-háló kialakítása, struktúra és paraméterezés meghatározása. Következtetés a kialakított modellel. Valószínűségi háló kiterjesztése döntési hálóvá hasznosság és döntési csomópontok hozzáadásával. Racionális döntés számítása. 

4. Regressziós modellek vizsgálata. Egyváltozós és többváltozós lineáris regresszió alkalmazásai. Regularizációs módszerek. Logisztikus regressziós modellek. 

5. Logikai hipotézisek tanulása döntési fákkal. Döntési fák tanulásának lépései, döntési fa modell minősítése, általánosító képesség vizsgálata. 

6. Együttes tanulás vizsgálata, véletlen erdő (random forest) modellek.  

7. Neurális hálók működésének vizsgálata egyszerű problémákon. Paraméterbeállítások és mintaméret hatásának vizsgálata.