A képzés célja
A Mesterséges Intelligencia (MI) ipari alkalmazása olyan területekre összpontosít, mint a folyamatok optimalizálása, a minőségellenőrzés, a prediktív karbantartás és a robotika. Az MI az iparban a gépi tanulás felhasználását jelenti az összetett feladatok automatizálására, minták felismerésére és előrejelzések készítésére, amely magában foglalja a gépek és rendszerek nagy mennyiségű adatállományának gyűjtését, feldolgozását és elemzését.
A képzés célja az adatelemzés és a gépi tanulás alapvető módszereinek és eszköztárának elsajátítása.
A képzéshez tartozó kurzusok
- intelligens adatelemzés (4 kredit)
- statisztikai adatelemzés (4 kredit)
- vizuális adatelemzés, Power BI (4 kredit)
- neurális hálózatok és mélytanulás (4 kredit)
- szenzorhálózatok és a tárgyak internete (4 kredit)
- ipari adatforrások (4 kredit)
A kurzusok ismeretanyaga
Intelligens adatelemzés (heti 2 óra előadás, 2 óra laboratóriumi gyakorlat): A kurzus célja az intelligens adatelemzés fogalmainak, használt módszereinek és azok alkalmazásainak megismertetése.
A kurzus főbb témakörei: Adatelemzés folyamata. Adattípusok és kezelésük, adatok előfeldolgozása, hasonlósági és különbözőségi mértékek, hiányzó adatok kezelése. Dimenziószám csökkentő megoldások. Klasszifikáció és regresszió módszerei. Klaszterezés fogalma. Gépi tanulás algoritmusai (döntési fák, random forest, knn, Bayes-i klasszifikáció, SOM), genetikus algoritmusok, Fuzzy-genetikus rendszer, genetikus-fuzzy rendszer, neuro-genetikus rendszer. Tanuló fuzzy következtetési rendszerek. Rendellenességek észlelése. Idősorok elemzése. Adat és információ menedzsment.. AnyTime rendszerek működési alapjai. Neurális hálók alkalmazása adatelemzésben. A módszerek elsajátítása adatelemző szoftverek alkalmazásával. Egy gyakorlati adatelemző projekt megvalósítása.
Statisztikai adatelemzés (heti 1 óra előadás, 2 óra gyakorlat): A kurzus célja az adatelemzés során szükséges statisztikai ismeretek, alapvető fogalmak, módszerek és azok alkalmazási készségének elsajátítása.
A kurzus főbb témakörei: Az adatelemzés statisztikai módszerei. A statisztikai adatok pontossága. Helyzetmutatók, középértékek. Szóródási mutatók. Momentumok. Alakmutatók. Standardizálás. Korrelációszámítás és regresszióanalízis. Lineáris és nemlineáris regresszió. Lineáris és nemlineáris korreláció. Legkisebb négyzetek módszere. Hipotézisvizsgálatok. Döntéstámogatás statisztikai próbákkal (t-próba, u-próba, khi-négyzet-próba, F-próba). A statisztikai módszerek megvalósítása és adatvizualizáció.
Vizuális adatelemzés, Power BI (heti 1 óra előadás, 2 óra laboratóriumi gyakorlat): A kurzus célja az adatvizualizációhoz, az elkészített diagramok értelmezéséhez és a vizuális elemzéshez használható módszerek és eszközök megismerése.
A kurzus főbb témakörei: A vizualizáció és vizuális adatelemzés alapvető fogalmai. Adattípusok, adathalmazok, adatmodellek, adatattribútumok és adat absztrakció a vizualizáció tükrében Adatok előkészítése és transzformációja. Diagramtípusok és használatuk. Lényegkiemelés. A feltáró adatelemzés módszerei. Többdimenziós adatok vizualizációja. Idősor adatok és térinformatikai adatok megjelenítése. Interaktív vizualizáció, dashboard-ok, storytelling, animáció készítése. Adatelemzés és vizualizáció kapcsolata. Idősor adatok hierarchiái, trendek és előrejelzések. Laboratóriumi gyakorlatok eszköze: Power BI (Power BI felépítése és részei. Adatforrások, transzformációk, Power Query, adatmodell. Számított oszlopok és mezők, DAX formulák és használatuk. Vizualizációk készítése. AI vizualizációk. Jelentések (report), irányítópultok (dashboard). Adatelemzési lehetőségek.)
Neurális hálózatok és mélytanulás (heti 2 óra előadás, 2 óra laboratóriumi gyakorlat): A kurzus célja a mesterséges neurális hálózatok elméleti alapjainak, azok felépítésének megismertetése, valamint a legfontosabb tanulási algoritmusok áttekintése.
A kurzus főbb témakörei: Neurális hálókkal megoldható feladatok. A neurális hálók típusai. Tanítás tanítóval és tanító nélkül. A perceptron modell. Neurális hálók felépítése és tanítása. Aktivációs függvények, veszteségfüggvények. A túltanítás problémája, regularizációs módszerek. Előrecsatolt neurális hálózatok. A backpropagation algoritmus.
Mélytanulási technikák. Konvolúciós neurális hálók felépítése és használata. Visszacsatolt (rekurrens) neurális hálók. Long short-term memory háló. Önkódoló rendszerek. Generatív hálók. Megerősítéses tanulás. Transfer learning. A (mély) neurális hálók alkalmazási területei, valamint a fejlesztéshez szükséges hardver és szoftver környezetek.
Szenzorhálózatok és a tárgyak internete (heti 2 óra előadás, 2 óra laboratóriumi gyakorlat): A kurzus keretében a hallgatók megismerik a szenzorhálózatok működését, felépítését, alkotóelemeit. Képessé válnak egyszerű szenzorhálózatok tervezésére és megvalósítására.
A kurzus főbb témakörei: Intelligens szenzorok és szenzorhálózatok, valamint az Internet of Things kapcsolata. Intelligens szenzor hardver-architektúrák. Szenzorhálózati architektúrák. Szabványosítási törekvések: IEEE 802.15.4., ZigBee, Bluetooth LE. Szenzorhálózati köztesrétegszolgáltatások: kommunikáció, időszinkronizálás. Szenzorhálózati lokalizációs módszerek. Tipikus szenzorhálózati alkalmazási területek, esettanulmányok. Szenzorhálózati fejlesztői eszközkészlet. Egyszerű köztesréteg-szolgáltatások tervezése és megvalósítása.
Ipari adatforrások (heti 1 óra előadás, 2 óra laboratóriumi gyakorlat): A kurzus során a hallgatók megismerkednek az iparban alkalmazott eszközök által használt kommunikációs protokollokkal és adatkinyerési lehetőségekkel gyakorlati példákon keresztül.
A kurzus főbb témakörei: Bevezetés az ipari kommunikációs rendszerekbe. Adatkommunikáció és vezeték nélküli hálózatok az ipari környezetben. Fieldbus rendszerek. Ethernet alapú ipari kommunikációs rendszerek. Ipari kommunikációs rendszerek biztonsága. SCADA (Supervisory Control and Data Acquisition) rendszerek. Ipari kommunikációs rendszerek diagnosztikája és karbantartása. OPC alapú kommunikációs rendszerek. IoT az ipari kommunikációs rendszerekben. Real-Time Ethernet. Ipari kommunikációs rendszerek tervezése és implementálása. Ipari kommunikációs rendszerek jövőbeli irányai és trendek
A képzés kreditértéke: 24 kredit
Képzési idő: 2 félév
Képzési hely: Óbudai Egyetem, Alba Regia Kar, Székesfehérvár
Képzés költsége: 400.000 Ft / teljes képzés (6 kurzus, 24 kredit)
A kurzusok önállóan is felvehetők és teljesíthetők, egy kurzus képzési költsége 80.000 Ft.
Jelentkezés:
Jelentkezési határidő: 2025. augusztus 31.
A képzés indulása: a képzés minden félévben indul
Információ a képzésről: Piglerné Dr. Lakner Rozália, +36 30 132 7498, lakner.rozalia@amk.uni-obuda.hu
A képzés mikrotanúsítványa
Az Óbudai Egyetem a képzés, illetve a kurzus sikeres teljesítéséről mikrotanúsítványt állít ki, amely az elvégzett kurzusok tárgyleírását és kreditértéket tartalmazza. A mikrotanúsítvány egyrészt igazolja a képzés, illetve a kurzus elvégzését, másrészt felsőoktatási tanulmányok folytatása esetén kreditbeszámításra ad lehetőséget.
A jelentkezők a képzés idejére részismereti jogviszonyban felvételre kerülnek az Óbudai Egyetem Alba Regia Karára.
