Ez egy előző félévben kiírt, archivált téma.
A számos tudományterületen kinyerhető nagy adatmennyiségnek, továbbá a nagy tárolási- és számítási kapacitásnak köszönhetően a statisztikai alapú adatvezérelt rendszerek az elmúlt évtizedben jelentős teret hódítottak meg a szabályalapú megoldásokkal szemben. Alkalmazási területtől (pl. kép-, szöveg-, beszédfeldolgozás) függően különböző matematikai modelleket használnak. Az elmúlt évek egyik legígéretesebb technológiája a mély tanulás (deep learning) alapú modellalkotás. A mély tanuláson alapuló mély neurális hálózatok új tipusú architektúrájuknak és többszintű rejtett rétegeinek köszönhetően a korábbi hálózatoknál pontosabb és általánosabb modellezésre képesek. A hallgató feladata a félév(ek) során segítségünkkel a gépi tanulás és a mély tanulás alapjainak és a rendelkezésre álló eszközöknek a megismerése után egy közösen választott probléma megoldása. Ilyen feladat lehet például (1) zenei számok azonosítása; (2) rosszindulatú bőrdaganat szűrés; (3) gépi szövegfelolvasó (Text-To-Speech) természetességének növelése; (4) beszédfelismerés; (5) pénzügyi idősorok modellezése; (6) személyi asszisztens, intelligens chatbot; (7) intelligens játékos az Open AI Gym-ben (pl. "Győzd le a 2048-at!", "DeepSneak", "MarioKart"). 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, de lehet LUA vagy C, C++ nyelven). Tudományos érdeklődés esetén lehetőség van kutatási munkára is, a téma elméleti kihívásokat tartalmaz, amely TDK konferencián való részvételhez is megfelel. A téma diplomáig, illetve akár PhD témaként is folytatható. Elvárás: 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.