Számos adat (beszéd; videó; szövegek; emberek, objektumok mozgása; tőzsde hírek és árfolyammozgás; interakciók, stb.) szekvenciális adatstruktúrát követ. Szekvenciális adatok modellezése során három fő kihívással állunk szemben: (1) a figyelembe vett korábbi elemek (receptív mező) méretének a növelése, (2) többskálás modellezés, (3) sokdimenziós adatok modellezése. Szekvenciális adatok modellezésének jelenleg az egyik leghatékonyabb módszere mély tanulás alapon történik. A hallgató feladatat a fenti három tématerület egyikét közösen kiválasztva új típusú megoldások kidolgozása, és ezek alkalmazása adott tématerületen. Feltételek: A munka a legelterjedtebb, magas szintű deep learning keretrendszerek segítségével folyik (pl. TensorFlow, PyTorch, Keras). A hallgatónak a munka előrehaladtával nagyteljesítményű GPU erőforrást biztosítunk. A feladatok megoldása jelentős mennyiségű programozást kíván (elsősorban Python-ban). Megfelelő előrehaladás esetén lehetőség van hazai és nemzetközi projektekbe való becsatlakozásra. A téma elméleti kihívásokat tartalmaz, amely TDK konferencián való részvételhez is megfelel. A téma diplomáig, illetve akár PhD témaként is folytatható. Elvárás: Legalább fél év deep learning tapasztalat. Korrekt, egyenletes munkavégzés, proaktívitás, olvasás szintű angoltudás. Előny: "Deep Learning a gyakorlatban Python és LUA alapon" (VITMAV45) tárgyban szerzett 4-es vagy 5-ös osztályzat. Tudományos (TDK, cikkek, PhD) érdeklődés.