Mesterséges intelligencia és gépi tanulás

VERSENYRE JELENTKEZÉS
A programozói környezet biztosítása miatt mihamarabbi regisztrációt kérünk, mivel az elérhető helyszínek létszámkorlátjai miatt a részvételi lehetőséget a jelentkezés sorrendje határozza meg. A november 14-i jelentkezés után a versenyen való részvételi lehetőségeket már nem tudjuk bővíteni!

Jelentkezés: Antal Péter, antal@mit.bme.hu e-mail címen, fejlécben kérjük szerepeljen a következő: [MI VERSENY].

VERSENY IDEJE, HELYSZÍNE
November 21. (csütörtök) 17:00-21:00, IB 141-142
1. emelet, alaplabor (a helyszín jelentkezések számának függvényében változhat!)

MEGTEKINTÉS
November 26. (kedd) 12:15-13:15, I épület E szárny 4. emelet 412 szoba

VERSENYFELELŐS TANSZÉK
Méréstechnika és Információs Rendszerek Tanszék

VERSENYFELELŐS OKTATÓK
Antal Péter, Bolgár Bence, Hullám Gábor, Eredics Péter, Sárközy Péter

A VERSENY SZÖVEGES LEÍRÁSA
A versenyen egy mesterséges intelligencia és gépi tanulás témakörébe tartozó feladat adott teljesítménymetrikák melletti legjobb megoldását várjuk el, feltételezve egy megszokott informatikai-tudásmérnöki-adatelemzői szoftverkörnyezetet a Python nyelven alapulva.

A versenyfeladat megoldásához szükséges a Python rutinszerű ismerete, amelyben  egy prediktív teljesítményt optimalizáló adatelemzést kell elvégezni, preferáltan scikit-learn és Pytorch használatával. Alapfeltételezés továbbá a Méréstechnika és Információs Rendszerek Tanszék által oktatott Mesterséges intelligencia tárgy tananyagának átfogó ismerete. Továbbá hasznos kiegészítés a tanszék Gépi tanulás tárgy és Neurális hálózatok tárgy tananyagának az ismerete, különös tekintettel azok gyakorlati alkalmazására.

A versenyfeladatok megoldásához kreatív ötlet, programozói rutin és átfogó mesterséges intelligenciabeli ismeretek szükségesek.

A versenyt programozói jellege miatt a hatékony problémamegoldás iránt érdeklődőknek is bátran ajánljuk!

A verseny időtartama 240 perc.

VERSENYEREDEMÉNY BESZÁMÍTÁSA
A kari díjazáson felül a versenyen jó eredményt elérő hallgatókat előnyben részesítjük a MIT kapcsolódó tantárgyain. Ennek pontos módja és mértéke az elért eredménytől és a tantárgytól függ. Mesterséges intelligencia, Mesterséges általános intelligencia, Gépi tanulás és Neurális hálózatok tantárgyaknál bónuszpontokat vagy kiváló teljesítmény felmutatásával megajánlott jegyet is lehet szerezni.

VERSENYFELADAT
A verseny egy feladatból áll, ami egy adott tárgyterületen egy prediktor létrehozását jelenti, felhasználva a tárgyterületről biztosított háttérismeretek és adatok optimális kombinációját a megadott teljesítménymetrika mellett. A megoldás pontszámát és helyezését a létrehozott prediktív modell – adott bemenet-kimenet formátumú validációs adathalmazon mutatott – teljesítménye határozza meg.

KATEGÓRIÁK
A versenyen két kategóriában indulhatnak a hallgatók: a Mesterséges intelligencia tantárgyat nem teljesítők és akik már teljesítették.

HASZNÁLHATÓ SEGÉDESZKÖZÖK
A feladatot a biztosított számítógépes környezetben kell megoldani tetszőleges nem humán segítséget használva, beleértve az internetet is és tankönyveket is. A felhasználható szoftver rendszerek a következőek: scikit-learn, PyTorch, Keras, Tensorflow. A GPU(k) elérése lokálisan nem biztosított.

Emberi segítség igénybe vétele a versenyből történő azonnali kizárást vonja maga után.

TÉMAKÖRÖK
Mesterséges intelligencia, Gépi tanulás, Neurális hálózatok

FELKÉSZÜLÉST SEGÍTŐ ANYAGOK
A verseny először kerül megrendezésre, így korábbi példák nem elérhetőek. A felkészülést segítő könyvek és jegyzetek az alábbiak:

Russell, S.J. and Norvig, P.,  Artificial intelligence: a modern approach.  (2nd ed.) Malaysia; Pearson Education Limited, digitálizálva elérhető a http://mialmanach.mit.bme.hu/  szerveren.

Altrichter, M., Horváth, G., Pataki, B., Strausz, G., Takács, G. and Valyon, J., 2006. Neurális hálózatok. Panem, Budapest. digitálizálva elérhető a http://mialmanach.mit.bme.hu/ és a http://project.mit.bme.hu/mi_almanach/books/neuralis/index szervereken.

Python, scikit-learn https://scikit-learn.org/stable/_downloads/scikit-learn-docs.pdf