Részismereti képzések
2021 szeptemberétől részismereti képzések gyakorló informatikus szakembereknek
2021 szeptemberétől induló részismereti képzéseink informatikusoknak kínálnak specializálódási lehetőséget a következő területeken:
Jelentkezési határidő: 2021. augusztus 29.
Jelentkezni lehet az alábbi jelentkezési lap kitöltésével.
| Cím | |
|---|---|
| Cím | |
| Jelentkezési lap |
Data Science részismereti képzés
A részképzési blokk célja: The specialization consists of two parts: First, students will be familiarized with basic concepts of machine learning, various types of machine learning models and techniques as well as the related concepts from the area of optimization and stochastic processes. The second part is concerned with deeper introduction into four areas of machine learning such that analysis of data from various sensors, mining stream data, network science and deep learning. By absolving the specialization, students will gain theoretical and practical knowledge necessary to handle a wide range of of machine learning tasks and problems.
Nyelve: angol
Kreditszáma: 30
Szakmai felelős: Horváth Tamás tanszékvezető
Indul: 2021. szeptember
Témakörei:
Sensor Data Analytics The course is concerned with analysis of data originating of sensors of various types under the presence of uncertainty due to errors and noise in data collection and transmission. Often, in-network processing is required such that the data are processed in the network of sensors itself instead of utilizing a centralized solution. Main topics of the course include noise reduction and data cleaning, object detection and recognition, pattern mining, prediction and forecasting, and, in-network computing while considering various types of data such as time series, audio and video.
Stream Mining The course is devoted to processing and mining data streams in which data, arriving at high speed, are processed under various space and time constraints. Typically, data are processed with one pass by the algorithm taking into account that data may evolve over time. The course will cover topics of data stream clustering and classification, frequent pattern mining from data streams, change detection and forecasting in data streams, and, indexing and distributed mining of data streams.
Advanced Machine Learning The course focuses on advanced machine learning approaches and their application in various areas with particular interest in deep learning architectures, kernel methods, graphical models, bayesian techniques, reinforcement learning, scalable latent models, semi-supervised learning, ensemble techniques, transfer learning and other state-of-the-art approaches.
Network Science The course is devoted to investigation of complex structures such as, among others, computing, communication, transportation, social, biological or spatial networks, with particular interest in analysis, mining and visualization of networks.
Optimization for Data Science The course is focusing on basic concepts from optimalization and stochastic processes as well as graph theory. The aim is to familiarize students with the underlying optimization approaches used in machine learning methods and techniques. The knowledge gained during the course will also be helpful in providing tasks related to tuning machine learning techniques such that setting of the optimal hyper-parameters of these methods.
Machine Learning The course is concerned with various types of machine learning models and techniques based on different paradigms such that discriminative, probabilistic, distance-based, etc. Besides the introduction to the basic concepts of machine learning, the advantages and disadvantages of various models will be discussed with regard to various machine learning tasks and data characteristics such that type, volume, variety, velocity, just to name the most common characteristics. Methods and techniques for combination of more models in order to enhance the performance will be discussed, too. The goal is to give the students a good overview of the machine learning landscape so they will be able to decide, based on the given task at hand, which model or models would lead to the best performance.
Összefoglaló táblázat az óratervről
|
tárgynév |
kreditsz. |
óraszám |
félév |
tárgyfelelős |
|
Sensor Data Analytics |
5 |
2+2+1 |
őszi |
Csetverikov Dmitrij |
|
Stream Mining |
5 |
2+2+1 |
őszi |
Krisztián Buza |
|
Advanced Machine Learning |
5 |
2+2+1 |
őszi |
András LŐRINCZ |
|
Network Science |
5 |
2+2+1 |
őszi |
Csabai István |
|
Optimization for Data Science |
5 |
2+2+1 |
tavaszi |
Gergó Lajos |
|
Machine Learning |
5 |
2+2+1 |
tavaszi |
Tomás Horváth |
|
Összesen |
30 |
12+12+6 |
|
|
|
Az egyes tárgyak tematikái megtalálhatók a https://www.inf.elte.hu/tantervihalok címen.
Artificial Intelligence részismereti képzés
A részképzési blokk célja: Napjaink informatikai alkalmazásában egyre nő a szerepe a különféle mesterséges intelligencia technológiáknak. Ennek a részképzésnek a célja az, hogy az informatikában már jártas szakemberekkel megismertesse e technológiákat, alkalmazási területeiket, fejlesztői eszközeiket. Nyelve: angol Kreditszáma: 30 Szakmai felelős: Gregorics Tibor egyetemi docens Témakörei: Mesterséges intelligencia alkalmazások módszerei és eszközei. Az utóbbi évek mesterséges intelligencia alkalmazásaiban (IBM Watson, bőrrák diagnosztizálása, sakk vagy Go játék, ajánló rendszerek stb.) mutat rá a különféle technológiákra (mesterséges neuronhálók, számítógépes látás, Monte Carlo fa-keresés, stb.) és azok alkalmazását támogató szoftver könyvtárak használatára. Haladó gépi tanulás. Elsajátítható a korszerű neuronhálók és egyéb gépi tanulási algoritmusok elméleti háttere. Játékelmélet. A tárgy célja különféle játék modellek ismertetése, a játékelméleti alapfogalmak bevezetése, és a játékelmélet alkalmazási lehetőségeinek bemutatása. Multi-ágens rendszerek. Bevezet a multi-ágens és autonóm ágens (robot) rendszerek világába, ahol a rendszer egységei folyamatosan függenek mind a környezettől, mind pedig egymástól, és akár együttműködve, akár egymással versengve próbálják kitűzött céljaikat elérni. Robotika. Gyakorlati munka keretében mutatja be az alapvető robotokai fogalmakat, a robotok típusait és osztályozásukat, a robotok architektúráját és konstrukciójának szempontjait, a mesterséges intelligencia technológiák beépíthetőségét Affective computing Olyan modellek és alkalmazások bemutatása, amelyek az emberi viselkedés mérésében és adaptálásában lehetnek hasznosak. Fontos cél annak vizsgálata is, hogy mi módon képes a számítógép reagálni az emberi érzésekre. Összefoglaló táblázat az óratervről
Az egyes tárgyak tematikái megtalálhatók a https://www.inf.elte.hu/tantervihalok címen.
Cyber Security részismereti képzés A részképzési blokk célja: A blokk elsősorban a szoftverfejlesztési, -tervezési és -tesztelési területeken dolgozó informatikai szakemberek számára nyújt bevezetést a kiberbiztonság témakörébe. A kriptográfiai alapokon túl az informatikai biztonság és a szoftverminőség van a képzés fókuszában. Nyelve: angol Kreditszáma: 31 Szakmai felelős: Burcsi Péter tanszékvezető egyetemi docens Témakörei: Cryptography Definitions of security, Randomness, Pseudorandomness, Adversary Models, Zero- Knowledge, Side-Channel Attacks, Security assumptions and their background, Factorization, Discrete Logarithm. Introduction to Computer Security Definitions of basic security terms, Security Goals (CIA), Risks, Vulnerabilities, Attacks, Basic Cryptography and Cryptography Protocols (e.g., Kerberos, SSL), Threats in IT systems (Malware, targeted attacks), Security Mechanisms (Authentication, Access Control, Network Security FW IDS, Browser, Email), Physical Security Example Cryptography protocols Protocols for symmetric and asymmetric cryptography, encryptions, hash functions, MACs, digital signatures, . Applications and practical aspects. Information Security Management Security policies. Roles. Classifications. Assets and threats. Risk, vulnerability, control, attack, damage. Risk analysis. Methods/tools for risk analysis. CERTs. Risk assessment and risk management. Code of Practice for Information Security (BS7799). Evaluation of information security, like ITSEC and the Common Criteria. Security plan, attack trees. Privacy Privacy, Data Protection, Legal Basis, Privacy Enhancing Technologies, Privacy by Design, Privacy Assessment, Location Privacy. Software quality and testing Fundamentals of testing, testing through the software development life cycle, test designs techniques. Static and dynamic testing, test management. Testing tools. Összefoglaló táblázat az óratervről
|