A kibontakozó új hajtóerő a mesterséges intelligencia
|
|
- Karola Némethné
- 5 évvel ezelőtt
- Látták:
Átírás
1 5. Magyar Jövő Internet Konferencia» Okos város a célkeresztben «A kibontakozó új hajtóerő a mesterséges intelligencia Dr. Szűcs Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Távközlési és Médiainformatikai Tanszék Budapest, november 28.
2 Tartalom q Felhasználói igények q Mesterséges intelligencia q Mély tanulás - mély neurális hálók q Hajtóerők q Alkalmazási területek q Előretekintés 2
3 Jövő Internet alkalmazások és szolgáltatások felhasználói igényei Egyéni igények: q Fogyasztás (pl. multimédia) mindenhol q Testre szabott szolgáltatás Ipari igények: q Gyorsaság q Automatizmus q Megbízható működés mesterséges intelligencia 3
4 Mesterséges intelligencia probléma területei Általános intelligencia q Következtetés (matematikai logika) q Tervkészítés q Robotika q Természetes nyelvű feldolgozás 4 hajtóerő? q Gépi tanulás q Számítógépes látás 4
5 Gépi tanulás q Felügyelet nélküli gépi tanulás q Felügyelt gépi tanulás q Megerősítéses tanulás q hasznosságalapú ágens q Q-tanuló ágens q reflexszerű ágens Legújabb altípus: mély tanulás 5
6 Számítógépes látás Computer Vision: q mély neurális hálók segítségével 6
7 Mély tanulás (Deep Learning) Mély neurális hálók (Deep Neural Networks DNN), röviden mély háló típusok: q Rekurrens hálók (RNN) q Long Short-Term Memory (LSTM) q Konvolúciós neurális hálók (CNN) q Autoencoder 7
8 Mély neurális háló belseje 8
9 Objektum lokalizálás és osztályozás képeken mély neurális hálóval Chevrolet BMW 9
10 You Only Look Once - YOLO YOLO q Regressziós probléma felírás q Anchor téglalapok a képeken q Becslés több feature map -en Klasszikusabb megoldások: q DPM (Deformable Part Model) q R-CNN (Region-based Convolutional Neural Network) q Batch módú (kötegelt) feldolgozás 10
11 Hajtóerők 1. hajtóerő: kutatás (egyetemek, kutató intézetek) 2. hajtóerő: a hardver - GPU 11
12 3. hajtóerő: Ipar MI vállalatokkal q Tesla q Google q Apple q IBM q OpenAI: non-profit MI kutatóvállalat (Elon Musk, Sam Altman) q OpenCog Foundation q Human Brain Project 12
13 4. hajtóerő: Szoftver eszközök Ipar régi és új szereplői q Microsoft Research (1991) több, mint 1000 fő q IBM Research AI (12 laborközpont, Zürichben pl. 400 fő) q Google Brain (2011) Google Research/ DeepMind 1800 fő q FAIR (Facebook AI Research), Facebook Research (2013) 500 fő TensorFlow (Google Brain) november 9. 13
14 Mély tanulás piaci térképe TensorFlow H2O.AI Torch Theano Caffe CNTK Microsoft Baidu Amazon Univ./Montreal Berkeley Oxford Univ./Toronto NYU MIT Dalle Molle Inst./for AI/ Carnegie/Mellon (IDSIA) Univ./Hong/Kong Stanford Tsinghua university IBM Google Uber Facebook Apple Nvidia Qualcomm Xilinx Intel 14
15 Alkalmazások q Pénzügyi szektor: algoritmikus kereskedelem, piac kutatás, portfolió optimalizálás q Orvostudomány: orvosi szakértő rendszerek q Művészetek: filmművészet, zene (Google Magenta) q Játékipar q Okos város: közbiztonság növelése q Intelligens közlekedés: önvezető autók, forgalom irányítás q Online és telefonos ügyfélszolgálat: virtuális asszisztens 15
16 Virtuális asszisztensek, botok 16
17 Egyéb alkalmazási példák q Fordítás nyelvek között q Zeneszerzés q Videó elemzés q Kódgenerálás (akár neurális háló kód is!) 17
18 Mesterséges intelligencia becsült világ piaci trendje 18
19 A kibontakozó új hajtóerő a mesterséges intelligencia Köszönöm a figyelmet! Szűcs Gábor szucs@tmit.bme.hu
Neurális hálózatok elméleti alapjai TULICS MIKLÓS GÁBRIEL
Neurális hálózatok elméleti alapjai TULICS MIKLÓS GÁBRIEL TULICS@TMIT.BME.HU Példa X (tanult órák száma, aludt órák száma) y (dolgozaton elért pontszám) (5, 8) 80 (3, 5) 78 (5, 1) 82 (10, 2) 93 (4, 4)
RészletesebbenBevezetés a mesterséges intelligencia mély tanulás eszközrendszerébe
Bevezetés a mesterséges intelligencia mély tanulás eszközrendszerébe Csapó Tamás Gábor http://smartlab.tmit.bme.hu AI, ML, DL Forrás: https://blogs.nvidia.com/blog/2016/10/17/deep-learning-help-business/
RészletesebbenTakács Árpád K+F irányok
Takács Árpád K+F irányok 2016. 06. 09. arpad.takacs@adasworks.com A jövőre tervezünk Az AdasWorks mesterséges intelligencia alapú szoftverterfejlesztéssel és teljes önvezető megoldásokkal forradalmasítja
RészletesebbenDeep Learning a gyakorlatban Python és LUA alapon Tanítás: alap tippek és trükkök
Gyires-Tóth Bálint Deep Learning a gyakorlatban Python és LUA alapon Tanítás: alap tippek és trükkök http://smartlab.tmit.bme.hu Deep Learning Híradó Hírek az elmúlt 168 órából Deep Learning Híradó Google
RészletesebbenVisszacsatolt (mély) neurális hálózatok
Visszacsatolt (mély) neurális hálózatok Visszacsatolt hálózatok kimenet rejtett rétegek bemenet Sima előrecsatolt neurális hálózat Visszacsatolt hálózatok kimenet rejtett rétegek bemenet Pl.: kép feliratozás,
RészletesebbenBIG DATA ÉS GÉPI TANULÁS KÖRNYEZET AZ MTA CLOUD-ON KACSUK PÉTER, NAGY ENIKŐ, PINTYE ISTVÁN, HAJNAL ÁKOS, LOVAS RÓBERT
BIG DATA ÉS GÉPI TANULÁS KÖRNYEZET AZ MTA CLOUD-ON KACSUK PÉTER, NAGY ENIKŐ, PINTYE ISTVÁN, HAJNAL ÁKOS, LOVAS RÓBERT TARTALOM MTA Cloud Big Data és gépi tanulást támogató szoftver eszközök Apache Spark
RészletesebbenMesterséges Intelligencia Elektronikus Almanach. Konzorciumi partnerek
Mesterséges Intelligencia Elektronikus Almanach Konzorciumi partnerek 1 Konzorcium Budpesti Mőszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Méréstechnika és Információs Rendszerek
RészletesebbenKonvolúciós neurális hálózatok (CNN)
Konvolúciós neurális hálózatok (CNN) Konvolúció Jelfeldolgozásban: Diszkrét jelek esetén diszkrét konvolúció: Képfeldolgozásban 2D konvolúció (szűrők): Konvolúciós neurális hálózat Konvolúciós réteg Kép,
RészletesebbenDeep Learning a gyakorlatban Python és LUA alapon Bevezetés
Tóth Bálint Pál Deep Learning a gyakorlatban Python és LUA alapon Bevezetés http://smartlab.tmit.bme.hu Jogi nyilatkozat Jelen előadás diái a Deep Learning a gyakorlatban Python és LUA alapon című tantárgyhoz
RészletesebbenDeep Learning a gyakorlatban Python és LUA alapon Hogyan tovább?
Tóth Bálint Pál Deep Learning a gyakorlatban Python és LUA alapon Hogyan tovább? http://smartlab.tmit.bme.hu Jogi nyilatkozat Jelen előadás diái a Deep Learning a gyakorlatban Python és LUA alapon című
RészletesebbenDeep Learning: Mélyhálós Tanulás
Deep Learning Deep Learning: Mélyhálós Tanulás Mesterséges Neuronhálók 2015 o sz Milacski Zoltán Ádám srph25@gmail.com http://milacski.web.elte.hu ELTE Informatika Doktori Iskola 2015-09-21 Deep Learning
RészletesebbenBudapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék. Neurális hálók 2. Pataki Béla
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Neurális hálók 2. Előadó: Hullám Gábor Pataki Béla BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki
RészletesebbenKognitív Infokommunikáció: egy ébredő interdiszciplína. Baranyi Péter DSc
Kognitív Infokommunikáció: egy ébredő interdiszciplína Baranyi Péter DSc Távközlési és Médiainformatika Tanszék, Budapesti Műszaki és Gazdaságtudományi Egyetem *** 3D Internet alapú Kontrol és Kommunikáció
RészletesebbenTeljes körű weboldal, API és DDoS védelmi szolgáltatás
Közép-európai disztribútorunk a Yellow Cube. www.greywizard.com www.yellowcube.eu Teljes körű weboldal, API és DDoS védelmi szolgáltatás A Grey Wizard weboldalak, webshopok és API-k védelmét biztosító,
RészletesebbenSzámítógépes döntéstámogatás. Bevezetés és tematika
SZDT-01 p. 1/18 Számítógépes döntéstámogatás Bevezetés és tematika Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Előadás SZDT-01 p. 2/18 SZDT-01
RészletesebbenÓbudai Egyetem Neumann János Informatikai Kar. Intelligens Mérnöki Rendszerek Intézet
Óbudai Egyetem Neumann János Informatikai Kar Intelligens Mérnöki Rendszerek Intézet 1034 Budapest, Bécsi út 96/B Tel., Fax:1/666-5544,1/666-5545 http://nik.uni-obuda.hu/imri Az 2004-ben alakult IMRI (BMF)
RészletesebbenThe nontrivial extraction of implicit, previously unknown, and potentially useful information from data.
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Adatelemzés intelligens módszerekkel Hullám Gábor Adatelemzés hagyományos megközelítésben I. Megválaszolandó
RészletesebbenÉPÜLETEK TŰZVÉDELME A TERVEZÉSTŐL A BEAVATKOZÁSIG TUDOMÁNYOS KONFERENCIA A BIM és a tűzvédelem The BIM and the fire protection
ÉPÜLETEK TŰZVÉDELME A TERVEZÉSTŐL A BEAVATKOZÁSIG TUDOMÁNYOS KONFERENCIA Budapest 2019. 04. 10. Nemzeti Közszolgálati Egyetem 1083 Budapest, Ludovika tér 2. Érces Gergő tű. őrnagy, egyetemi tanársegéd
RészletesebbenAradi Bernadett. 2017/18 ősz. TensorFlow konvolúciós hálózatokhoz 2017/18 ősz 1 / 11
TensorFlow konvolúciós hálózatokhoz Aradi Bernadett 2017/18 ősz TensorFlow konvolúciós hálózatokhoz 2017/18 ősz 1 / 11 Tensorflow import tensorflow as tf szoftverkönyvtár neurális hálózatokhoz a Google
RészletesebbenBudapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék. Neurális hálók. Pataki Béla
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Neurális hálók Előadó: Előadás anyaga: Hullám Gábor Pataki Béla Dobrowiecki Tadeusz BME I.E. 414, 463-26-79
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008
Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008 Az Előadások Témái : mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák Szemantikus hálók / Keretrendszerek
RészletesebbenA Jövő Internet Nemzeti Kutatási Program bemutatása
A Jövő Internet Nemzeti Kutatási Program bemutatása Dr. Bakonyi Péter és Dr. Sallai Gyula Jövő Internet Kutatáskoordinációs Központ Budapesti Műszaki és Gazdaságtudományi Egyetem Budapest, 2013. június
RészletesebbenPiaci alapú kutatás-fejlesztések a Pannon Egyetemen
Piaci alapú kutatás-fejlesztések a Pannon Egyetemen Bertók Botond Pannon Egyetem Műszaki Informatikai Kar Veszprém Megyei Kereskedelmi és Iparkamara 2014. November 27. Tartalom Pannon Egyetem Minőség és
RészletesebbenA záró rendezvény programja
Mesterséges Intelligencia Elektronikus Almanach TÁMOP-4.1.2-08/2/A/KMR-2009-00260026 Projektzáró rendezvény 2011. november. 24., 9h-11h BME, Q. ép., QBF13 1 A záró rendezvény programja I. Mesterséges Intelligencia
RészletesebbenMit látnak a robotok? Bányai Mihály Matemorfózis, 2017.
Mit látnak a robotok? Bányai Mihály Matemorfózis, 2017. Vizuális feldolgozórendszerek feladatai Mesterséges intelligencia és idegtudomány Mesterséges intelligencia és idegtudomány Párhuzamos problémák
RészletesebbenHETI RÉSZVÉNYPIACI KITEKINTŐ JUNIUS 1.
ÖSSZEFOGLALÓ Az utóbbi években jelentősen felpörögtek az információs technológiai fejlesztések. Egyre többször találkozunk olyan kifejezésekkel, mint a felhő alapú szolgáltatások, adatközpontok, önvezető
RészletesebbenTervezni pedig muszáj esettanulmány egy online piactérről
Tervezni pedig muszáj esettanulmány egy online piactérről Tartalom: Mi az a Magro.hu? Üzleti terv Piac felkészítése Piaci potenciál meghatározása piackutatással Marketing stratégia A piactér élesítésének
RészletesebbenKÖSZÖNTJÜK HALLGATÓINKAT!
2010. november 10. KÖSZÖNTJÜK HALLGATÓINKAT! Önök Dr. Horváth Zoltán Módszerek, amelyek megváltoztatják a világot A számítógépes szimuláció és optimalizáció jelentősége c. előadását hallhatják! 1 Módszerek,
RészletesebbenA Jövő 15 Digitális Marketing Trendje. Varga István
A Jövő 15 Digitális Marketing Trendje Varga István 1. Életmód KÖZÖSSÉGEK Érték lesz a közösségi tudás Közösségi terek fogalma megváltozik Online / Offline közeledik a fejekben A közösség támogat, felemel,
RészletesebbenBodó / Csató / Gaskó / Sulyok / Simon október 9. Matematika és Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár
Bodó / Csató / Gaskó / Sulyok / Simon Matematika és Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2016. október 9. Tudnivalók Tudnivalók: 1 Csapatok kiválasztása: a második hét végéig; 2
RészletesebbenMesterséges Intelligencia Elektronikus Almanach. MI Almanach projektismertetı rendezvény április 29., BME, I. ép., IB.017., 9h-12h.
Mesterséges Intelligencia Elektronikus Almanach Neurális hálózatokh 1 BME 1990: Miért neurális hálók? - az érdeklıdésünk terébe kerül a neurális hálózatok témakör - fıbb okok: - adaptív rendszerek - felismerési
RészletesebbenFELÜGYELT ÉS MEGERŐSÍTÉSES TANULÓ RENDSZEREK FEJLESZTÉSE
FELÜGYELT ÉS MEGERŐSÍTÉSES TANULÓ RENDSZEREK FEJLESZTÉSE Dr. Aradi Szilárd, Fehér Árpád Mesterséges intelligencia kialakulása 1956 Dartmouth-i konferencián egy maroknyi tudós megalapította a MI területét
RészletesebbenGyakorlatok. VITMMA09 Okos város MSc mellékspecializáció
Gyakorlatok VITMMA09 Okos város MSc mellékspecializáció ITS gyakorlatok Cél Gyakorlati tudással kiegészíteni az elméleti ismereteket Példák a való világból, korlátozott de valósághű környezetben Tervezés,
RészletesebbenVilágos?! (Nem csak) egy természettudományos projekt története. Jánossy Zsolt Gödöllői Török Ignác Gimnázium IPET
Világos?! (Nem csak) egy természettudományos projekt története Jánossy Zsolt Gödöllői Török Ignác Gimnázium IPET 60. Országos Fizikatanári Ankét és Eszközbemutató 2017. március 15-18. A projekt születése
RészletesebbenA magyar. GeoGebra közösség. Papp-Varga Zsuzsanna November 6. Varga Tamás Módszertani Napok
A magyar GeoGebra közösség Papp-Varga Zsuzsanna vzsuzsa@elte.hu 2010. November 6. Varga Tamás Módszertani Napok Miről lesz szó? Magyarország a nemzetközi GeoGebra térképen Magyarországi tevékenységek A
RészletesebbenÍ Á Á É ö ö ö ö ö ű ü ö ű ű ű ö ö ö ü ö ü í ü í í í ü í ü Á ü ö ö ü ö ü ö ö ü ö í ö ö ü ö ü í ö ü ű ö ü ö ü í ö í ö ű ű ö ö ú ö ü ö ű ű ű í ö ű í ű ö ű ü ö í ű í í ö í ö ö Ó Í ö ű ű ű ű í í ű ű í í Ü ö
Részletesebbenű í ú ü Á ü ü ü ü ü É É É Ü í ü Á í í ű í ú É É É Ü Í í í í Á í í Á í Á Í É Ő Ú ú Ú í í í íí í ú í í Í í Í Í É í í Í Í í ú í ü Ó í Í ú Í Í ű í ű í í í Í É Ü ű í ü ű í ú É É É Ü ű í í í í ü í Í í Ú Í í
Részletesebbenü É Í ü ü ü Í ü ű ü ü ü ű ü ű ű ű ü ü ü ű ü Í ü ű ü ü ü Ű Í É É Á Ő Á Ó Á Á Á Á É Á Á Á Á É Á Í Á Á Í Í ű Á É É Á Á Ö Í Á Á Á Á Á É Á Á Ó ű Í ü ü ü ű ű ü ü ű ü Á ü ű ü Í Í Í ü Í Í ű ű ü ü ü ü ű ü ű ü ü
RészletesebbenŰ Í ó Ü Ö Á Á Ó Ö Ü Ü Ü Ü Á Í Ü Á Á Ü Ü Ü Ü Ü Ü Ö Ü Í Ü Ü Ü Ü Ü Ü Ü Ü Ü Ü Á Í Ü Í Í Á Í Í Ü Í Í Ü Á Ü Ü Ü Ü Ü Ü Ü Ü Ő Ö Á ÁÍ Á Ü Ü Á Í Ü Í Á Ü Á Í ó Í Í Ü Ü ő Í Ü Ű Ü Ü Ü Ü Í Ü Ü Ü Ü Ü Ü Ü Í Ü Á Ü Ö Á
RészletesebbenA NetSupport School oktatást támogató rendszer
A NetSupport School oktatást támogató rendszer 1. Célcsoport A NetSupport School oktatást támogató rendszer alkalmas valamennyi tanár-diák, oktatóhallgató kapcsolatot igénylő oktatási folyamat támogatására.
RészletesebbenElektronikus Almanach
Mesterséges Intelligencia Elektronikus Almanach Mesterséges intelligencia modern megközel zelítésben 1 Miért éppen ez a könyv? Egy kis történelem BME: 1998-1999 - MI lekerül alapképzés szintjére, hallgatói
RészletesebbenMiskolci Egyetem Gépészmérnöki és Informatikai Kar Alkalmazott Informatikai Tanszék. Dr. Kulcsár Gyula egyetemi docens
Miskolci Egyetem Gépészmérnöki és Informatikai Kar Alkalmazott Informatikai Tanszék Dr. Kulcsár Gyula egyetemi docens Tartalomjegyzék Bevezetés Termelési paradigma fogalma Paradigma váltások A CIM fogalmának
RészletesebbenA kommunikációs és digitális kompetenciák szerepe és hatása a CARMA projektben
Dr. habil. Szűts Zoltán BME A kommunikációs és digitális kompetenciák szerepe és hatása a CARMA projektben Változó világban 2016-1-HU01-KA202-022981 Változó világban Az információs társadalomban a munkaerőpiacon
Részletesebben2017. november Jánossy Zsolt Budapesti POK Digitális Pedagógiai Módszertani Központ
2017. november 13-17. Jánossy Zsolt Budapesti POK Digitális Pedagógiai Módszertani Központ A jelen és a jövő KIHÍVÁSOK Kezelhető Autentikus tanulás A tanári szerep újragondolása Rövid távú Kódolás Alkotó
RészletesebbenMesterséges intelligencia alapú regressziós tesztelés
Mesterséges intelligencia alapú regressziós tesztelés Gujgiczer Anna, Elekes Márton* * AZ EMBERI ERŐFORRÁSOK MINISZTÉRIUMA ÚNKP-16-1-I. KÓDSZÁMÚ ÚJ NEMZETI KIVÁLÓSÁG PROGRAMJÁNAK TÁMOGATÁSÁVAL KÉSZÜLT
RészletesebbenIntézményi, oktatói portfólió eszközei, jó gyakorlatok. Vágvölgyi Csaba Debreceni Református Hittudományi Egyetem
Intézményi, oktatói portfólió eszközei, jó gyakorlatok Vágvölgyi Csaba Debreceni Református Hittudományi Egyetem vagvolgyi.csaba@gmail.com Mi az eportfólió Bizonyos szempontok alapján, meghatározott céllal
RészletesebbenDeep learning szoftverek
Deep learning szoftverek Neurális hálózatok - rétegenkénti szemlélet Előreterjesztés Visszaterjesztés Bemeneti réteg Bemeneti réteg x Rejtett réteg (FC, ReLU) C/ x w1 out1 Rejtett réteg (FC, lin) Rejtett
RészletesebbenRekurráló neurális hálózatok, beszédfelismerő programok. Szoldán Péter
>ready to transmit Rekurráló neurális hálózatok, beszédfelismerő programok Szoldán Péter Új facebook csoport https://www.facebook.com/groups/4964840 64185906 Ha kérdéseik vannak, ott is szívesen megválaszoljuk
RészletesebbenTP-LINK Business Wireless Az EAP Kontrolleres Wi-Fi termékcsalád bemutatása - bevezető SMB Product Line
TP-LINK Business Wireless Az EAP Kontrolleres Wi-Fi termékcsalád bemutatása - bevezető SMB Product Line Dr. Kilbertus Viktor SMB Sales Manager TP-LINK Networks Hungary viktor.kilbertus@tp-link.com 2016
RészletesebbenInternetes térkép publikálási technikák, szabványok, trendek, nyílt forráskódú megoldások
Internetes térkép publikálási technikák, szabványok, trendek, nyílt forráskódú megoldások dr. Siki Zoltán Áttekintés OGC, OSGeo szervezetek Szabványosítási irányok Nem szabványos megoldások (Google) OGC
RészletesebbenENELFA záró konferencia 2014. január. 21. századi oktatási trendek, e-learning - Cesim OnService pilot tréningek
ENELFA záró konferencia 2014. január 21. századi oktatási trendek, e-learning - Cesim OnService pilot tréningek Children must be taught how to think, not what to think. Margaret Mead A jelenlegi felsőoktatási
RészletesebbenE-Learninga menedzsmentben és a szervezeti tudás megújításában empirikus vizsgálatok tükrében
E-Learninga menedzsmentben és a szervezeti tudás megújításában empirikus vizsgálatok tükrében Prof. Dr. Poór József, egyetemi tanár Dr. Szalay Zsigmond, egyetemi docens Pető István, adjunktus Zsigri Ferenc,
RészletesebbenAz infoszféra tudást közvetítő szerepe a mai társadalomban
Az infoszféra tudást közvetítő szerepe a mai társadalomban Charaf Hassan Egyetemi docens, BME Tartalom Általános tényadatok Trendek számokban Magyarország: az infoszféra helyzete Az informatikai kutatások
RészletesebbenSpecializációválasztás a BME Villamosmérnöki és Informatikai Karon (mérnökinformatikus szak)
Specializációválasztás a BME Villamosmérnöki és Informatikai Karon (mérnökinformatikus szak) 2018. májustól Dr. Tevesz Gábor okt. dékánhelyettes vik.bme.hu http://www.vik.bme.hu Új mintatanterv (2014-től
Részletesebben3. Milyen informatikai eszközökkel tervezné a reklámokat, milyen reklámtípust tartana a legsikeresebbnek?
2. tétel (Egri Dániel) 3. Milyen informatikai eszközökkel tervezné a reklámokat, milyen reklámtípust tartana a legsikeresebbnek? - WEB-marketing (mint egyik reklámfajta) o mivel, hogyan? szempontok o egyéb
RészletesebbenOSINT. Avagy az internet egy hacker szemszögéből
OSINT Avagy az internet egy hacker szemszögéből Nyílt Forrású Információszerzés OSINT - Open Source Intelligence Definíció: minden egyén számára nyilvánosan, legális eszközökkel megszerezhető, vagy korlátozott
RészletesebbenBevezetés A harmadik szoftverkrízis korát éljük! Szoftverkrízisek: 1. nincs elég olcsó: hardver, szoftver, programozó 2. nincs elég olcsó: szoftver, p
A MeMOOC online informatikai egyetem és a szoftverkrízis Dr. Kusper Gábor, EKE Dr. Nehéz Károly, ME Dr. Hornyák Olivér, ME Bevezetés A harmadik szoftverkrízis korát éljük! Szoftverkrízisek: 1. nincs elég
RészletesebbenIPv6 A jövő Internet alaptechnológiája
IPv6 A jövő Internet alaptechnológiája Magyar IPv6 Konferencia Budapest, Danubius Hotel Flamenco 2012. május 3. Németh Vilmos BME 1 A kezdetek ARPANET 1969 2 Az Internet ma XXI. század A Világ egy új Internet
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/364
/364 Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 200/20 Az Előadások Témái 2/364 : mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák Szemantikus hálók
RészletesebbenSmart City feltételei
Smart City feltételei OKOS VÁROS konferencia 2017. május 25. Kövesdi Zoltán Közigazgatási tanácsadó Nemzeti Fejlesztési Minisztérium JÓLÉT MEGTEREMTÉSE SMART INFRASTRUCTURE GAZDASÁG Miért van szükség digitális
RészletesebbenREADy Suite: mobil és fix kiolvasó hálózat fogyasztásmérőkhöz
READy Suite: mobil és fix kiolvasó hálózat fogyasztásmérőkhöz Drive-by Okos telefon Multiterm Pro Kézi eszközzel történő mérőkiolvasás USB Meter Reader Fix hálózat Automatizált mérőleolvasás fix hálózaton
RészletesebbenKöltségbecslési módszerek a szerszámgyártásban. Tartalom. CEE-Product Groups. Költségbecslés. A költségbecslés szerepe. Dr.
Gépgyártástechnológia Tsz Költségbecslési módszerek a szerszámgyártásban Szerszámgyártók Magyarországi Szövetsége 2003. december 11. 1 2 CEE-Product Groups Tartalom 1. Költségbecslési módszerek 2. MoldCoster
RészletesebbenAz AgroFE Nemzetközi Leonardo projekt
Az AgroFE Nemzetközi Leonardo projekt Herdon Miklós Agroforesterie Formation en Europe 2013-1-FR1-LEO05-48937 2 Célkitűzések és fejlesztési módszerek A projekt fő célkitűzése, hogy a képzési igények és
RészletesebbenEPALE. Európai elektronikus platform a felnőttkori tanulásért. Karvázy Eszter Nemzeti Szakképzési és Felnőttképzési Hivatal december 9.
EPALE Európai elektronikus platform a felnőttkori tanulásért Karvázy Eszter Nemzeti Szakképzési és Felnőttképzési Hivatal 2016. december 9. Mi az EPALE? Nemzeti Támogató Szolgálat Központi Támogató Szolgálat
RészletesebbenKutatás-fejlesztési eredmények a Számítógépes Algoritmusok és Mesterséges Intelligencia Tanszéken. Dombi József
Kutatás-fejlesztési eredmények a Számítógépes Algoritmusok és Mesterséges Intelligencia Tanszéken Dombi József Mesterséges intelligencia Klasszikus megközelítés (A*, kétszemélyes játékok, automatikus tételbizonyítás,
RészletesebbenSZTE Nyílt Forrású Szoftverfejlesztő és Minősítő Kompetencia Központ
UNIVERSITY OF SZEGED SZTE Nyílt Forrású Szoftverfejlesztő és Minősítő Kompetencia Központ Gyimóthy Tibor és Ferenc Rudolf Szegedi Tudományegyetem Szoftverfejlesztés Tanszék Szoftverfejlesztés Tanszék Több
RészletesebbenA jövő cégei. KBC Equitas Befektetési klub, Cinkotai Norbert, Somi András, CIIA
A jövő cégei KBC Equitas Befektetési klub, 2016.11.08. Cinkotai Norbert, Somi András, CIIA Bármely kellőképpen fejlett technológia megkülönböztethetetlen a varázslattól. Arthur C. Clarke Forrás: Tullett
RészletesebbenMABISZ konferencia 2017 A közeljövő öt forradalmi technológiája. Török Péter Partner
MABISZ konferencia 2017 A közeljövő öt forradalmi technológiája Török Péter Partner Hírverés Hasznosulás K+F Kiábrándultság Veszteség Roy Amara former president of The Institute for the Future http://www.iftf.org
RészletesebbenHogyan lehet a nappali tagozatos hallgatókat éjjel is tanítani?
Hogyan lehet a nappali tagozatos hallgatókat éjjel is tanítani? Dr. Létray Zoltán Egyetemi docens EIK igazgató Széchenyi István Egyetem Az előadás tartalma: E-learning rendszer bevezetése a Széchenyi István
RészletesebbenA Hypertext. Dr. Nyéki Lajos 2019
A Hypertext Dr. Nyéki Lajos 2019 Történeti előzmények Vannevar Bush: Memex (Memory Expander), 1945, ok: a tudományos információk robbanásszerű bővülése - könyvek és egyéb információk tárolása mikrofilmen;
RészletesebbenSzámítógép architektúrák
Számítógép architektúrák Számítógépek felépítése Digitális adatábrázolás Digitális logikai szint Mikroarchitektúra szint Gépi utasítás szint Operációs rendszer szint Assembly nyelvi szint Probléma orientált
RészletesebbenÉpítsünk IP telefont!
Építsünk IP telefont! Moldován István moldovan@ttt-atm.ttt.bme.hu BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM TÁVKÖZLÉSI ÉS MÉDIAINFORMATIKAI TANSZÉK TANTÁRGY INFORMÁCIÓK Órarend 2 óra előadás, 2 óra
RészletesebbenA Jövő Internete - általános tervezési ajánlások
HTE INFOKOM 2014 konferencia és kiállítás Kecskemét, 2014. okt. 8-10. A Jövő Internete - általános tervezési ajánlások Dr. Abos Imre egyetemi docens abos@tmit.bme.hu BME Távközlési és Médiainformatikai
RészletesebbenMegerősítéses tanulás
Megerősítéses tanulás elméleti kognitív neurális Introduction Knowledge representation Probabilistic models Bayesian behaviour Approximate inference I (computer lab) Vision I Approximate inference II:
RészletesebbenEz egy program. De ki tudja végrehajtani?
Császármorzsa Keverj össze 25 dkg grízt 1 mokkás kanál sóval, 4 evőkanál cukorral és egy csomag vaníliás cukorral! Adj hozzá két evőkanál olajat és két tojást, jól dolgozd el! Folyamatos keverés közben
RészletesebbenFuzzy rendszerek és neurális hálózatok alkalmazása a diagnosztikában
Budapesti Műszaki és Gazdaságtudományi Egyetem Fuzzy rendszerek és neurális hálózatok alkalmazása a diagnosztikában Cselkó Richárd 2009. október. 15. Az előadás fő témái Soft Computing technikák alakalmazásának
RészletesebbenA változó tőkepiaci környezet és kihívásai
A változó tőkepiaci környezet és kihívásai Szeniczey Gergő ügyvezető igazgató Kecskemét 2016. szeptember 16. 1 Előadás tartalma Szabályozási változás- MiFID II. Technológiai fejlődés - Fintech Automatizált
RészletesebbenOptikai karakterfelismerés
Optikai karakterfelismerés Az optikai karakterfelismerés feladata A különböző formátumú dokumentumok kezelésének egyik speciális esete, amikor a kezelendő dokumentumok még nem állnak rendelkezésre elektronikus
Részletesebben2017. november Emberközpontú tudomány
A M a g y a r T u d o m á n y Ü n n e p e 2017. november 3-30. Emberközpontú tudomány A rendezvény címe 4. Magyar Jövő Internet Konferencia (MJIK 2017) A rendezvény típusa (pl. előadás, emlékülés, konferencia,
RészletesebbenCARE. Biztonságos. otthonok idős embereknek CARE. Biztonságos otthonok idős embereknek 2010-09-02. Dr. Vajda Ferenc Egyetemi docens
CARE Biztonságos CARE Biztonságos otthonok idős embereknek otthonok idős embereknek 2010-09-02 Dr. Vajda Ferenc Egyetemi docens 3D Érzékelés és Mobilrobotika kutatócsoport Budapesti Műszaki és Gazdaságtudományi
RészletesebbenA mesterséges intelligencia kihívásai. Dr. Charaf Hassan, egyetemi tanár, BME-AUT
A mesterséges intelligencia kihívásai Dr. Charaf Hassan, egyetemi tanár, BME-AUT Fogalmak Mesterséges Intelligencia, AI Gépi tanulás (Machine Learning), ML Mély gépi tanulás (Deep Learning), DL Neurális
RészletesebbenWEB alapú kataszter információs rendszer Koszovóban KCLIS
WEB alapú kataszter információs rendszer Koszovóban KCLIS Juszt András, Podolcsák Ádám Bevezetés Koszovó 2 millió lakos, 90% albán, szerb, bosnyák, török, roma, gorani kisebbségek 30 körzet, ~1300 kataszteri
RészletesebbenA TECHNOLÓGIÁVAL SEGÍTETT OKTATÁS MÓDSZEREI. Dr. Főző Attila László
A TECHNOLÓGIÁVAL SEGÍTETT OKTATÁS MÓDSZEREI Dr. Főző Attila László Digitális írástudás/műveltség (digital literacy) IKT IKT eszközökkel segített oktatás Digitális pedagógia LLL Digitális/IKT készségek
RészletesebbenA Mérnöki Kamarára háruló feladatok
BUDAPESTI ÉS PEST MEGYEI MÉRNÖKI KAMARA -------------------------------------------------------------------------------------- Hajdú-Bihar Megyei Mérnöki Kamara Hírközlési és Informatikai Szakcsoportja
RészletesebbenA modern rádiózás lehetőségei, avagy egy online rádió arculata Szilfai Ágnes
A modern rádiózás lehetőségei, avagy egy online rádió arculata Szilfai Ágnes 2015. május 12. Bemutatkozás Szilfai Ágnes: Jogi szakokleveles közgazdász Online marketing menedzser 2 gyermek édesanyja Petra
RészletesebbenFelhőalkalmazások a. könyvvizsgálatban
Felhőalkalmazások a könyvvizsgálatban Bevezetés cloud computing google keresés Nagyjából 247 000 000 találat (0,39 másodperc) Felhő alapú szolgáltatások jellemzője: bárhonnan (ahol Internet elérés biztosított),
RészletesebbenSzámítástechnikai megoldások a közlekedés támogatására. Mártonyi Tibor
Számítástechnikai megoldások a közlekedés támogatására Mártonyi Tibor Amiről szó lesz A Down Alapítvány számítógépes képzése- MAK projekt Felkészülés a Mentálisan Akadálymentes Közlekedésre: - Előzetes
RészletesebbenBeszédtechnológia az információs esélyegyenlőség szolgálatában
Beszédtechnológia az információs esélyegyenlőség szolgálatában Németh Géza, Olaszy Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem, Távközlési és Médiainformatikai Tanszék nemeth@tmit.bme.hu Tervezz
RészletesebbenCEEPUS III Central European Exchange Program for University Studies Kilin Emőke
CEEPUS III Central European Exchange Program for University Studies Kilin Emőke Nemzetközi pályázati lehetőségek a felsőoktatás fejlesztésében Európán belül és a világban Információs nap 2013. december
RészletesebbenIKT trendek és tapasztalatok a BME szemszögéből
IKT trendek és tapasztalatok a BME szemszögéből Dr. Charaf Hassan, BME hassan@aut.bme.hu 1 Napirend IT alkalmazási irányok: Gartner 2012- Mobil adat forgalom: CISCO 2012- IKT Trendek BME-IKT BME Példák
RészletesebbenModellkiválasztás és struktúrák tanulása
Modellkiválasztás és struktúrák tanulása Szervezőelvek keresése Az unsupervised learning egyik fő célja Optimális reprezentációk Magyarázatok Predikciók Az emberi tanulás alapja Általános strukturális
RészletesebbenMultimédia anyagok szerkesztése kurzus hatékonyságnövelése web alapú projekt módszer alkalmazásával
Multimédia anyagok szerkesztése kurzus hatékonyságnövelése web alapú projekt módszer alkalmazásával Béres Ilona Heller Farkas Főiskola Turcsányi-Szabó Márta ELTE-IK Média és Oktatásinformatika Tanszék
RészletesebbenDr. Bakonyi Péter c. docens
EU indikátorok Magyarország Dr. Bakonyi Péter c. docens eeurope 2005 indikátorok Indikátorok INTERNET INDIKÁTOROK A. Az állampolgárok hozzáférési és használati jellemzıi A.1 Az otthoni internethozzáféréssel
RészletesebbenFelhőszámítástechnika (Cloud Computing) helye és szerepe az on-line világ folyamataiban. Dr. Élő Gábor Széchenyi István Egyetem ITOK 2013
Felhőszámítástechnika (Cloud Computing) helye és szerepe az on-line világ folyamataiban Dr. Élő Gábor Széchenyi István Egyetem ITOK 2013 A felhő alapú számítástechnika A felhő alapú számítástechnika (angolul
RészletesebbenAZ AUTONÓM KÖZÚTI JÁRMŰVEK TESZTELÉSI ÉS VALIDÁLÁSI KIHÍVÁSAI
AZ AUTONÓM KÖZÚTI JÁRMŰVEK TESZTELÉSI ÉS VALIDÁLÁSI KIHÍVÁSAI Dr. SZALAY, Zsolt HAVEit demonstrációs jármű 2 Speciális kihívások Jogi felelősség Kié a felelősség, illetve hogyan lehet a járművekbe felelősséget
RészletesebbenEPALE. A felnőttkori tanulás elektronikus európai platformja június 15. NSZFH, Vedovatti Anildo
EPALE (Electronic Platform for Adult Learning in Europe) A felnőttkori tanulás elektronikus európai platformja 2017. június 15. NSZFH, Vedovatti Anildo Mi az EPALE? A felnőttkori tanulás fejlesztésében,
RészletesebbenEGT Finanszírozási Mechanizmus HU08 Ösztöndíj Program
Gépészmérnöki Kar Budapesti Műszaki és Gazdaságtudományi Egyetem Mechatronika, Optika és Gépészeti Informatika Tanszék EGT Finanszírozási Mechanizmus 2009-2014 - HU08 Ösztöndíj Program Samu Krisztián,
Részletesebben4. Magyar Jövő Internet Konferencia és Okos város Kiállítás Budapesti Műszaki és Gazdaságtudományi Egyetem november 8-9.
4. Magyar Jövő Internet Konferencia és Okos város Kiállítás Budapesti Műszaki és Gazdaságtudományi Egyetem 2017. november 8-9. Mátyus László Smart City Vezető Szakértő EDC Debrecen Város- és Gazdaságfejlesztési
RészletesebbenA TANTÁRGY ADATLAPJA
A TANTÁRGY ADATLAPJA 1. A képzési program adatai 1.1 Felsőoktatási intézmény Babeș Bolyai Tudományegyetem 1.2 Kar Matematika és Informatika Kar 1.3 Intézet Magyar Matematika és Informatika Intézet 1.4
RészletesebbenTENDENCIÁK ÉS PRÓFÉCIÁK A MUNKA VILÁGÁNAK ÁTALAKULÁSA ÉS A PM SZAKMA JÖVŐJÉVEL KAPCSOLATOS ELŐREJELZÉSEK. Török L. Gábor PhD
TENDENCIÁK ÉS PRÓFÉCIÁK A MUNKA VILÁGÁNAK ÁTALAKULÁSA ÉS A PM SZAKMA JÖVŐJÉVEL KAPCSOLATOS ELŐREJELZÉSEK Török L. Gábor PhD A munka világát átalakító hajtóerők Forrás: http://www3.weforum.org/docs/wef_future_of_jobs.pdf
Részletesebben