A főspecializáció a következő tárgyakat kínálja:
Tantárgyak
GÉPI TANULÁS (A1) — A tantárgy az intelligens rendszerek egyik alapvető képességének, a tanulásnak a gépi megvalósítási lehetőségeivel foglalkozik. Bemutatjuk a gépi tanulás fajtáit, összefoglaljuk a gépi tanulás elméleti alapjait, és elemezzük a legfontosabb tanulórendszer-architektúrákat érintve a matematikai, filozófiai és programozási aspektusokat is.
GÉPI TANULÁSI ESETTANULMÁNYOK (LABOR, A1lab) — A gépi tanulási és Data Science ismeretek hasznosításának kulcskérdése, hogy egy valós üzleti problémát megfelelő módon tudjunk leképezni a gépi tanulási eszközkészletünkre. A tárgy az adatelemzési folyamatban ad mélyebb gyakorlati tapasztalatot azáltal, hogy több valós esettanulmány megoldásával bemutatja milyen sorrendben, milyen módon érdemes alkalmazni a módszereket.
MÉLYTANULÁS (A2) — A mélytanulás (deep learning) az adatvezérelt mesterséges intelligencia eljárások napjaink egyik legdinamikusabban fejlődő ága. A mélytanulás egyik elsődleges előnye más gépi tanuló módszerekkel szemben, hogy egy lépésben tanulja meg az adatokat legjobban leíró reprezentációkat és ezek modellezését. A mélytanulás paradigma számos tudományterületen minden korábbinál jobb, state-of-the-art eredményt ért el — például gépi látás, természetes nyelvfeldolgozás és beszédtechnológia témákban. Rögzített körülmények között számos alkalmazásban az emberi teljesítményt is képesek ezek a módszerek megközelíteni, sőt, van, hogy jobban is teljesítenek.
A mélytanuló rendszerek kutatását és fejlesztését ma már széleskörű hardver- és szoftverarchitektúra segíti. Ezek hatékony használatához elengedhetetlen a mélytanulás elméletének és a szoftver- és hardvereszközök ismerete, továbbá a tapasztalat útján megszerzett tudás.
A tárgy célkitűzése, hogy a szükséges elméleti alapok bemutatása mellett példákon keresztül segítse a hallgatókat a modern mélytanuló szoftvereszközök és technikák elsajátításában és hatékony használatában. A tárgyban elsődlegesen a nyílt forráskódú, Python alapú Meta AI gondozásában készült PyTorch és a Google TensorFlow / Keras mélytanuló keretrendszereket használjuk.
HALADÓ ADATELEMZÉSI LABOR (A2lab) — A tárgy célja az Adattudomány és mesterséges intelligencia specializáción szerzett elméleti ismeretek és gyakorlati képességek elmélyítése egy konkrét adatbányászati projekt teljeskörű végrehajtásával. Az elvégzendő projekt felkészíti a hallgatót a való életben gyakran jelentkező adatelemzési kihívásokra és felruházza praktikus módszerekkel azok megoldására.
INTELLIGENS ADATELEMZÉS ÉS DÖNTÉSTÁMOGATÁS (B) — A tárgy célja, hogy összefoglalja és egységes keretben tárgyalja a döntéselmélet és a mesterséges intelligencia legkorszerűbb eszköztárát és megközelítési módszereit, valamint a tudásmérnökség, a gépi tanulás és a következtetés kapcsolódó általános eredményeit.
MEGBÍZHATÓ MESTERSÉGES INTELLIGENCIA ÉS ADATELEMZÉS (C tárgy) — A tárgy célkitűzése a megbízható adatelemzés, gépi tanulás, és mesterséges intelligencia megközelítéseinek, fogalmainak és mérnöki gyakorlatának a bemutatása. A tárgy áttekinti az intelligens algoritmusok informatikai rendszerekbe történő integrálásának kérdéseit is, valamint bemutatja az értelmezhetőség, a magyarázhatóság, a tesztelhetőség és az érzékenységvizsgálat lehetőségeit és korlátait.
ADATBIZTONSÁG ÉS VÉDELEM A GÉPI TANULÁSBAN (C tárgy) — A tárgy célja, hogy betekintést nyújtson a gépi tanulás biztonsági kérdéseibe, és átfogó jelleggel tárgyalja a gépi modellek és tanulási algoritmusok ellen kivitelezhető különböző támadások és védekezési megoldások elvi alapjait és gyakorlati módszereit, valamint a gyakorlatokon és házi feladatokon keresztül betekintést nyújtson a gépi modellek adatvédelmi auditálásának kérdéseibe.