Mesterséges intelligencia – haladó szinten

Adatok

A Tantárgybejelentőben megadott hivatalos adatok az alábbi tanévre: 2026-2027

Tematika

A kurzus célja, hogy a hallgatók gyakorlati példákon keresztül ismerjék meg a mesterséges intelligencia egészségügyi alkalmazásainak alapjait és legfontosabb módszereit. Az első három elméleti alkalom áttekintést ad az AI szerepéről az egészségügyben, valamint a gépi tanulás alapfogalmairól és működési logikájáról. A további órák gyakorlatközpontú megközelítésben, Python környezetben vezetik végig a hallgatókat a teljes adatelemzési és modellépítési folyamaton. A gyakorlatok során a résztvevők megismerik az adattisztítás és előfeldolgozás lépéseit, valamint betekintést kapnak az idősoros és gráf alapú gépi tanulási módszerekbe. A kurzus külön hangsúlyt fektet az orvosi képalkotásban használt AI-megoldásokra, valamint a természetes nyelvfeldolgozás és a modern nyelvi modellek alkalmazási lehetőségeire. Az oktatás során valós vagy valósághű egészségügyi példákon keresztül történik a modellek kipróbálása és értelmezése. A kurzus végére a hallgatók képesek lesznek alapvető AI-módszerek gyakorlati alkalmazására, valamint az eredmények kritikus értékelésére egészségügyi kontextusban.

Előadások

• 1. AI az egészségügyben - Fekete János
• 2. Gépi tanulás alapok I. - Fekete János
• 3. Gépi tanulás alapok II. - Fekete János

Gyakorlatok

• 1. Python alapok - Fekete János
• 2. Adattisztítás/ előfeldolgozás I - Fekete János
• 3. Adattisztítás/ előfeldolgozás II - Fekete János
• 4. Idősorok / gráf alapú gépi tanulás - Fekete János
• 5. AI a képalkotásban - Fekete János
• 6. AI a képalkotásban - Fekete János
• 7. Természetes nyelvfeldolgozás (nyelvi modellek) I. - Fekete János
• 8. Természetes nyelvfeldolgozás (nyelvi modellek) II. - Fekete János
• 9. Természetes nyelvfeldolgozás (nyelvi modellek) III. - Fekete János

Szemináriumok

A tananyag elsajátításához szükséges segédanyagok

Kötelező irodalom

Saját oktatási anyag

A felkészüléshez szükséges tananyag a Neptun-ra/TEAMS-re az elhangzást követően felkerül

Jegyzet

Ajánlott irodalom

A félév elfogadásának feltételei

A félév egy gyakorlati projektfeladat teljesítésével zárul. A projektmunkában egy olyan feladatot kell megoldani, amelyet a félévközi gyakorlat során a módszereket tekintve már tanultunk, azonban új problémát tartalmaz. A feladat elvégzése során bármilyen segédeszköz használata lehetséges.

Félévközi ellenőrzések

Nincs félévközi ellenőrzés.

Távolmaradás pótlásának lehetőségei

Az oktatóval megbeszélendő.

Vizsgakérdések

A számonkérés során a hallgatóknak egy gyakorlati feladat keretében adat-előfeldolgozási, gépi tanulási és modellkiértékelési lépéseket kell elvégezniük Python környezetben. A feladat a félév során megismert módszerek alkalmazását kéri új adathalmazon, beleértve az adattisztítást, modellépítést és az eredmények értelmezését.

Vizsgáztatók

Gyakorlatok, szemináriumok oktatói

• Fekete János