Médiainformációs technológiák és eszközök.

A kötelező előtanulmányi rend az adott szak honlapján és képzési programjában található.

A tárgy célkitűzései közé tartozik az informatika döntéstámogatásban felhasználható szerepének bemutatása és oktatása, hisz manapság már elképzelhetetlen a médiainformatika a nagy adathalmazokban való keresés, kutatás, feltárás (pl. rejtett összefüggések felkutatása) nélkül. A tantárgy célja a hallgatókat képessé tenni olyan technikák elsajátítására, használatára és olyan (adatvezérelt) döntéstámogató módszertan alkalmazására, amelyek segítségével hasznos információkat tárhatnak fel (pl. adatbázisokból vagy web-dokumentumokból) a döntésekhez. A hallgatók részletesen megismerkedhetnek a technikai apparátussal, algoritmusokkal és gyakorlati alkalmazásokkal, melyek elsősorban vezetői döntések előkészítését célozzák meg. A félév végére a hallgatók elsajátítják a nagy adathalmazokhoz kapcsolódó különböző gazdasági, mérnöki, illetve tudományos problémák megoldásában alkalmazható módszereket.

Döntési osztályok: biztos, kockázatos, bizonytalan döntések. Döntési tábla. Laplace, Wald, Hurwicz, Savage módszer. MCDM: MAUT, AHP (Inkonzisztencia index), POLANO. Rangegyesítő módszerek: Borda, Cook-Seiford, Bernardo, Köhler, Reciprok-rang. Egyetértési mátrix, ellenzési mátrix, outranking mátrix.

Döntési fák multimédia osztályozáshoz: ID3, C4.5, C5.0, CART, CHAID. Információs entrópia, információs nyereség, Gini index, Misclassification Error, Nyesés

Multimédia bányászat: SEMMA módszertan. Osztályozás. Nominális, ordinális, intervallum, arány skálájú változók.

Keresztvalidáció, Leave-One-Out, Bootstrap aggregating (bagging)

Osztályozásási algoritmusok. Random Forest. Boosting, Adaboost.

Regresszió analízis a képfeldolgozásban. változók kiválasztása (Stepwise Regression Procedure - SRP)

Multimédia klaszterezés.

Diszkriminancia analízis, Esetalapú következtetés, Legközelebbi szomszéd módszer.

Osztályozás kiértékelése. ROC, AUC

Jellemző kinyerés. Döntési Fák gyakorlati alkalmazásai: Visual Recognition

Multimédia bányászat alkalmazási területei

Heti 2 óra előadás, 1 óra gyakorlat

• A szorgalmi időszakban: 1 db zárthelyi
• A vizsgaidőszakban: A vizsga módja: írásbeli
• Az aláírás feltétele a zárthelyi (beleértve a pótló zárthelyiket is: lásd a következő pontban) legalább elégséges szintre történő megírása.
  

A zárthelyi pótlására a szorgalmi időszakban egy lehetőséget biztosítunk. Azok számára, akiknek nem sikerült sem a zárthelyi, sem a pótzárthelyi: a pótlási időszakban 1 alkalmat biztosítunk egy újabb zárthelyi dolgozatra. Az aláírás feltétele valamelyik zárthelyi (első vagy a pót- vagy a pótpót-zárthelyi) legalább elégséges szintre történő megírása.

A tárgy előadójával személyesen, vagy e-mailben egyeztetett időpontban.

1. Gupta, J.N.D; Forgionne, G.A.; Mora, M. (Ed.): Intelligent Decision-making Support Systems: Foundations, Applications and Challenges (Decision Engineering), Springer, 2006.
2. Mladenic, Dunja; Nada Lavrac; Marko Bohanec and Steve Moyle: Data mining and decision support: integration and collaboration, Kluwer Academic Publ., 2003
3. Fajszi Bulcsú, Cser László: Üzleti tudás az adatok mélyén – Adatbányászat alkalmazói szemmel, BME, 2004.
4. Jiawei Han, Micheline Kamber: Adatbányászat - koncepciók és technikák, Panem, 2004.

Név:	Beosztás:	Tanszék, Int.:
Dr. Szűcs Gábor PhD	egyetemi docens	BME-TMIT