A mesterséges intelligencia kihívásai. Dr. Charaf Hassan, egyetemi tanár, BME-AUT
|
|
- Enikő Zsanett Kovács
- 6 évvel ezelőtt
- Látták:
Átírás
1 A mesterséges intelligencia kihívásai Dr. Charaf Hassan, egyetemi tanár, BME-AUT
2 Fogalmak Mesterséges Intelligencia, AI Gépi tanulás (Machine Learning), ML Mély gépi tanulás (Deep Learning), DL Neurális hálózatok, NN Tanítás: Felügyelt, felügyelet nélkül, ST, UST Big Data, MapReduce, Hadoop Adat tudomány ( Data Science) Adatbányászat ( Data Mining) Explainable Artificial Intelligence, XAI 2
3 Evolúció Forrás: 3
4 Pozicionálás Forrás: 4
5 Pozicionálás Forrás: 5
6 Pozicionálás 6
7 AI vs ML A mesterséges intelligencia (AI) az intelligens viselkedésre képes számítógépek megalkotásának tudománya. A gépi tanulás (ML) a Stanford Egyetem definíciója szerint nem más, mint a gépeket explicit programozás nélkül bírni cselekvésre. Az okos gépek létrehozásához folyamatos AI-kutatások kellenek. 7
8 AI vs ML Nidhi Chappell (Intel): Az AI maga az intelligencia: hogyan tegyük a gépeket intelligenssé. A gépi tanulás pedig azon számítási módszerek implementációja, melyek ezt lehetővé teszik. Én így gondolok rájuk: Az AI a tudományos, az ML az algoritmikus hátteret adja az okosabb gépek létrejöttének. Az AI-t a gépi tanulás valósítja meg. Példa: Google keresés 8
9 Trendek
10 10
11 11
12 Az elmúlt évek trendjei
13 Időzítés, miért most?
14 A jelen A mobileszközök képessége nő A felhőszolgáltatások erősödése A dolgok internete Internet of Things (IoT), Internet of Everything (IoE) Ipar 4.0 Sok adat Big Data Biztonság 5G A viselhető eszközök gyors elterjedése Okos város, otthon, környezet, autó stb. 14
15 Mobil-adatforgalom Forrás: CISCO 10,7 EB = 10, B = 12 milliárd CD = 2,5 milliárd DVD A év teljes forgalmának a 650-szorosa! 15
16 Via della Conciliazione április március 12. Forrás: Forrás: 16
17 Az alap séma változása Beavatkozás Érzékelés Feldolgozás 17
18 10+ milliárd eszköz 2017 Forrás: japantimes.co.jp/news/2014/09/30/asia-pacific/hong-kong-democracy-protesters-set-deadlinefor-demands/ 18
19 10+ milliárd eszköz milliárd eszköz 2022 Forrás: japantimes.co.jp/news/2014/09/30/asia-pacific/hong-kong-democracy-protesters-set-deadlinefor-demands/ 19
20 10+ milliárd eszköz 2017 Átbocsátó képesség 50+ milliárd eszköz 2022 Forrás: japantimes.co.jp/news/2014/09/30/asia-pacific/hong-kong-democracy-protesters-set-deadlinefor-demands/ 20
21 10+ milliárd eszköz 2017 Átbocsátó képesség Biztonság 50+ milliárd eszköz 2022 Forrás: japantimes.co.jp/news/2014/09/30/asia-pacific/hong-kong-democracy-protesters-set-deadlinefor-demands/ 21
22 10+ milliárd eszköz 2017 Átbocsátó képesség Biztonság Egyéb 50+ milliárd eszköz 2022 Forrás: japantimes.co.jp/news/2014/09/30/asia-pacific/hong-kong-democracy-protesters-set-deadlinefor-demands/ 22
23 Mobilkommunikáció 2G 1992 Hang SMS 3G Adat + Hely 4G Videó + 3D grafika 5G Tapintható internet + M2M + Tb/s + Megbízható és biztonságos > 10 Gbit/s per user < 1 ms RTT > 10k sensors per cell < 10 8 outage < security 10x10 heterogeneity 23
24 A gépi tanulás célja olyan gépeket alkotni, melyek saját tapasztalataikból kiindulva képesek tanulni és alkalmazkodni. Tom Dietterich Olyan algoritmusok, amik példaadatok alapján szabályszerűségeket ismernek fel, majd ezek alapján más, a példaadatokkal megegyező struktúrájú és szemantikájú adatokról hoznak döntéseket.
25 Gépi tanulás A probléma megoldásához központi jelentőségű az előrejelzés Sok a múltbéli adat Az előrejelzés csak egy kis része a megoldásnak Nincs előre jelezhető minta Nincs elég múltbéli adat Túl sok üzleti szabály irányítja az adat forrásának rendszerét
26 Gépi tanulás - Feladatok MEGERŐSÍTÉSES TANULÁS: E módszer lényege, hogy a mesterséges ágens viselkedésével a legnagyobb hasznot hajtsa. A gép ilyenkor választ egy viselkedést, majd jutalmat, visszajelzést kap. Így tanítjuk ma a gépeket pl. különböző játékok megnyerésére. Azonban a legegyszerűbb feladatok megtanulására is nagy számú próbafeladat elvégzésére van szükség. FELÜGYELT TANULÁS : Így nevezzük, amikor a kutatók megmondják a gépnek, hogy adott bemenet esetén mi volna az elvárt kimenet. Például egy képfelismerőnek megmutatják egy autó képét és meg is mondják, hogy a helyes válasz autó. Ez a neurális hálók és egyéb ML modellek tanításának legelterjedtebb módja. FELÜGYELET NÉLKÜLI TANULÁS / PREDIKTÍV TANULÁS: Az emberek és állatok tipikusan felügyelet nélkül, környezetük megfigyelésén keresztül tanulnak. Mivel senki nem magyarázza el nekünk az összes tárgy nevét és funkcióját, az alapfogalmakat magunknak tanítjuk meg, pl: a világ háromdimenziós, a tárgyak nem tűnnek el maguktól, viszont alátámasztás hiányában leesnek. Ennek a tanulásnak a modellezésére, replikálására a tudomány ma még nem képes, legalábbis messze nem azon a szinten, amire az emberek és állatok képesek. 27
27 Gépi tanulás Feladatok Osztályozás: Minden adathoz valamilyen kategóriát rendelni Regresszió: Folytonos osztályozás (minden adathoz valamilyen érték rendelés egy nemdiszkrét értékhalmazból) Klaszteranalízis: Az adatokat csoportokba rendelni; a csoportok nem ismertek, mint az osztályozásnál! Dimenziócsökkentés: Adott dimenziójú inputot kisebb dimenziójúval reprezentálni Sűrűségbecslés: Adatok eloszlásának felderítése Rangsorolás: Sorba rendezés
28 Gépi tanulás Alkalmazások Gépi fordítás Karakterfelismerés (OCR, postai osztályozó irányítószám alapján) Spamszűrő Robotika (autonóm intelligens rendszerek) Természetes nyelvek feldolgozása Bioinformatika, gyógyszerkutatás
29 Gépi tanulás Modell fejlesztése
30 Support Vector Machine SVM Adott x i, y i, ahol i = 1 N, x i R d, y i { 1,1} Keressük f x osztályozót, hogy tetszőleges i-re f(x i ) ቊ 0 y i = +1 < 0 y i = 1 f x i = w x i b f x i =?
31 Neurális hálók
32 Gépi tanulás Feature engineering Feature engineering: Az adathalmazból azoknak a mezőknek a kiválasztása vagy az alapján olyan új mezők létrehozása, amelyek a legjobb modell előállítását segítik. (iskolázottság, kedvenc szín, éves fizetés) adathalmaz esetén ha az éves fizetés az előre jelzendő cél, az iskolázottság egy jó feature, a kedvenc szín nem Ökölszabály: próbáljunk meg olyan adathalmazt választani, hogy az egyes osztályokba esés valószínűsége monoton kövesse az adathalmaz értékének változását Továbbra is szükséges az emberi tudás, a gép csak az optimalizációs algoritmust adja!
33 Gépi tanulás Problémák Jó ML algoritmusok fejlesztése, megírása költséges Sok eszköz szükséges egy ML megoldás lefejlesztéséhez (adatgyűjtés, előkészítés, modellfejlesztés) Nehéz a modellt üzleti értékké fordítani, a modellt szolgáltatásként publikálni Erőforrás-igényes, nehezen skálázható
34 Deep Learning- indokok A számítási kapacitás gyors növekedése Sok adatunk van Sok fajta adat generálódik egyszerre GPU-k elterjedése Az igények növekedése A nagy IT cégek fejlesztéseinek gyors elterjedése és alkalmazása
35 Deep Learning 36
36 Alexnet
37 MI kutatások a BME-n
38 ALGORITMUSOK, IMPLEMENTÁCIÓK, ALKALMAZÁSOK Főbb kutatási irányok MI képességek megvalósítása (diszciplináris és algoritmikus tudás) MI képességekkel rendelkező rendszerek integrálása (informatikai tudás ) MI képességek alkalmazástechnikája (domain-specifikus tudás ) Adaptív és tanuló rendszerek Tudás- és ágens alapú rendszerek Idősorok analízise és adatbányászata Adatbiztonság Adatgyüjtés- feldolgozás, hálózati kommunikáció Robotika Járműintelligencia és kommunikáció Okos város Okos épületek FŐBB ALKALMAZÁSOK Okos technikák Autonóm járművek
39 Kognitív intelligencia - beszéd és képfeldolgozás Kognitív input (kép, hang, beszéd..etc.) Detekció, klasszifikáció, szegmentálás... Deep learning Képfeldolgozás, objektumok felismerése és szegmentálása Beszédfeldolgozás és generálás Természetes nyelvek feldolgozása
40 Természetes nyelvek Szemantikus gráfok Szemantikai elemzés 41
41 Tudás alapú szabályozás szenzori információk alapján intelligens otthon Home devices Alarms Appliance meters Phone Video PC HOME STATION Processors + buffers + links Resource management for QoS criteria and priorities Internet (IP protocol) (our task) Delay, packet loss prob., jitter etc.
42 Hangulatbányászat és analízis neurális hálókkal Importanc e sampling Natural language proc. and scoring Predicted sentiment
43 Idősorok: real-time outlier detekció fraudulent viselkedés és kiber támadások identifikálására Outliers? Kiber támadás? Normál internet forgalom, vagy lekérdezéses támadás Real-time predikciós és döntő algoritmusok Idősor Idősor xʹn x n k,,x n 1 Prediktor Döntés x n x n xʹn>δ y n {1,0}
44 MI adatbiztonsági kérdések Modell inverzió Tanulóadatok visszanyerése a tanított modellből Ellenséges minták apró, nehezen detektálható változások a tanulóhalmazban a támadó által azért, hogy az MI hibás döntéseket hozzon Kutatás: Adat- és paraméter-anonymizálás 45
45 Környezetérzékelés
46 Tesztelés és validálás Stop
47 Alkalmazások
48 IoT Érzékelés Feldolgozás Beavatkozás 49 49
49 A lehetőség az információban van A nyers bitek, adatbájtok valójában túl sokat nem segítenek. A feldolgozott adatok kezdenek érdekesek lenni Az elemzett adat, az összefüggések adnak értéket az adat tulajdonosának Az összevezetett multi-domain adat számos adathasznosító/vevő számára értékes Az az információ értékesíthető igazán, amely beavatkozásokat vezérel a tettre fogható információra építsünk 50
50 IoT elterjedése Okos, a környezetüket érzékelni és esetenként beavatkozni képes eszközök > Okos hangszórók > Okostelefonok > Autók > Szenzorok Rohamosan terjednek az IoT projektek mind az átlagemberek, mind az ipari szereplők körében A rendszerek biztonsága kritikus > Gyárak irányítása > Közlekedés, stb. 51
51 MAN Jármű elemzés Jármű használat elemzése Karbantartások ütemezése, például amikor amúgy is várnak a kamionok Élettartam növelése Automata elemzések, monitoring
52 SocialDriving Közösségi vezetés, adat megosztás Gamification OBD 2 port vagy CAN bus figyelés Személyes jutalmak, kuponok viselkedés alapján Flotta kezelés, nyomkövetés Karbantartások támogatása, hibakódok
53 Forgalom számlálás és Mesterséges Intelligencia Valós idejű forgalom számlálás Objektumok azonosítása Kategorizálás Autó Teherautó Kerékpár/motor Gyalogos Adat feldolgozás és elemzés
54 Otthoni bizonsági rendszer A biztonsági kamera intelligensen dönt, pl. arcfelismerés alapján: ki jött haza. Megtanulja, kik vannak otthon, kiket kell felismerni. Automatikusan kapcsolja a lámpát, ha hazaértem, esetleg nyitja a garázsajtót, ha felismeri a kocsit. 55
55 Chatbotok 56
56 Szentimentelemzés, véleménykinyerés 57
57 Saját fejlesztések Tervezz Velem chatbot >BKK útvonaltervező >Természetes nyelvű kérdéseket, mondatrészleteket értelmez >Facebook Messengerbe integrálva 58
58 Orvosi alkalmazások
59 Stroke és infraktus megelőzése Meglévő adatok elemzése Az orvosok által megfigyelt jelenségek értelmezése A múltbeli adatok és az aktuális mérések alapján számos esetben megelőzhetőek a nagyobb károk 60
60 Feladat Betegség
61 Neurális hálók Hib a
62 Topológia - Bemeneti réteg
63 Explanaible Artificial Intelligence, XAI 69
64 Problémák A Deep Learning területén nagy eredmények születtek Ezek a technikák a kérdésre tudnak választ adni, a cél hogy a válasz korrekt legyen, tehát a jobb pontosság a cél Sajnos nem könnyű kivenni ezekből a technikákból, hogy miért született az adott döntés. 70
65 XAI szükségessége Forrás: Sajnos nem tudjuk megválaszolni a Miért-eket 71
66 XAI Megközelítése Forrás: A user értse meg miért, Pl. A DeepMind 72
67 Kihívások 73
68 Kihívások Költség: A költségek el tudnak szállni, nemcsak a szoftver költsége van, hanem a folyamatos karbantartás Kultúra: A humán faktor kritikussága, állások helyzete Technológia választás: Sok lehetőség közül a megfelelő technológia kiválasztása kritikus lehet Pontos célok meghatározása Az intelligens gépek dominálni fognak. Készüljünk fel 74
69 Magyarországon Állami szerep: támogatás Platformok: >Ipar 4.0 platform >5G koalíció >Mesterséges Intelligencia Koalíció Összefogás szükséges ezen a területen is. Enélkül a KKV-k nehezen tudnak bekapsolódni. 75
70 A jövő
71 Befektetés a jövőbe Japán, és a világ egyik leggazdagabb embere, Masayoshi Son 100 milliárd dollárt fektet mesterséges inteligencia kutatásba, ahogy ő mondja, hogy elérjük a szingularitást. Ami pedig nem más, mint amikor a gépek inteligensebbé válnak az embereknél. Hogy ez mikor lesz, vagy hogy lesz-e egyáltalán, azt nem tudjuk. De azt tudjuk, hogy Masayoshi Son befektetései a tuti kategóriába tartoznak. Befektetett az Alibabába, amikor ott még csak 30 alkalmazott volt. A Yahoo első befektetői között volt. És most megvette az ARM csipgyártót. Az ARM többé nem tőzsdei cég. 77
72 Útravaló A neurális hálók visszatértek és szerepük egyre nagyobb a modern AI megoldásokban A legnagyobb sikereket felügyelt tanulással érjük el, melyek a nagymennyiségű adatot és jól bevált algoritmusokat használnak. A Spark az elosztott gépi tanulásra különösen alkalmas környezetet teremt A kihívások most a transzparencia területén vannak (XAI) 78
73 Köszönöm a figyelmet! Kérdések? 79
Informatikai képzés a BME-n, ahogy mi csináljuk. Dr. Charaf Hassan, hassan@aut.bme.hu
Informatikai képzés a BME-n, ahogy mi csináljuk Dr. Charaf Hassan, hassan@aut.bme.hu Franciaország 1900-ban Forrás: http://www.szineshir.hu/2015/10/17-meglepo-kep-ilyennek-kepzeltek-jovot.html Tartalom
BME-Ipar. Win-Win. Intelligens környezetek és e-technológiák. Dr. Charaf Hassan hassan@aut.bme.hu. Fókuszban a Műegyetem és az ipar kapcsolata
Intelligens környezetek és e-technológiák BME-Ipar Win-Win Dr. Charaf Hassan hassan@aut.bme.hu 1 Napirend Trendek az IKT területén Az IKT helyzete a BME-n Együttműködési modellek a BME és ipar között A
IKT megoldások az ipar szolgálatában
IKT megoldások az ipar szolgálatában Charaf Hassan, egyetemi tanár, tanszékvezető 1 IKT Trendek A mobileszközök és szenzorok erősödése A felhőszolgáltatások elterjedése Hálózati megoldások robusztussága
A kibontakozó új hajtóerő a mesterséges intelligencia
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
BIG DATA ELEMZÉSEK LEHETŐSÉGEI
BIG DATA ELEMZÉSEK LEHETŐSÉGEI A KÖRNYEZETVÉDELMI MODELLEZÉSBEN Dr. Torma A. 2015.11.13. 2015/11/13 Dr. TORMA A. >> Széchenyi István Egyetem 2 Tartalom 1. A Big Data fogalma 2. Pár érdekes adat a Big Data
CARE. 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
The 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
A 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
Mit 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
Neurális hálózatok bemutató
Neurális hálózatok bemutató Füvesi Viktor Miskolci Egyetem Alkalmazott Földtudományi Kutatóintézet Miért? Vannak feladatok amelyeket az agy gyorsabban hajt végre mint a konvencionális számítógépek. Pl.:
IKT 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
Internet of Things és Ipar 4.0 az agrárszektorban. Tarcsi Ádám, ELTE Informatikai Kar
Internet of Things és Ipar 4.0 az agrárszektorban Tarcsi Ádám, ELTE Informatikai Kar ade@inf.elte.hu Ipar 4.0 a 4. ipari forradalom 18. század vége gőzgép, szövőgép, a mechanikus gépek 20. század eleje
Új módszerek és eszközök infokommunikációs hálózatok forgalmának vizsgálatához
I. előadás, 2014. április 30. Új módszerek és eszközök infokommunikációs hálózatok forgalmának vizsgálatához Dr. Orosz Péter ATMA kutatócsoport A kutatócsoport ATMA (Advanced Traffic Monitoring and Analysis)
Takács 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
Statisztikai eljárások a mintafelismerésben és a gépi tanulásban
Statisztikai eljárások a mintafelismerésben és a gépi tanulásban Varga Domonkos (I.évf. PhD hallgató) 2014 május A prezentáció felépítése 1) Alapfogalmak 2) A gépi tanulás, mintafelismerés alkalmazási
A szoftver ereje. Charaf Hassan
A szoftver ereje Charaf Hassan hassan@aut.bme.hu Franciaország 1900-ban Forrás: http://www.szineshir.hu/2015/10/17-meglepo-kep-ilyennek-kepzeltek-jovot.html Tartalom Tényadatok Trendek Eszközök Kommunikáció
Stratégiák tanulása az agyban
Statisztikai tanulás az idegrendszerben, 2019. Stratégiák tanulása az agyban Bányai Mihály banyai.mihaly@wigner.mta.hu http://golab.wigner.mta.hu/people/mihaly-banyai/ Kortárs MI thispersondoesnotexist.com
Megerősítéses tanulás
Megerősítéses tanulás elméleti kognitív neurális Introduction Knowledge representation Probabilistic models Bayesian behaviour Approximate inference I (computer lab) Vision I Approximate inference II:
IoT szolgáltatások fejlesztése - SensorHUB
IoT szolgáltatások fejlesztése - SensorHUB Érzékelés Feldolgozás Beavatkozás Lengyel László lengyel@aut.bme.hu Aktuális helyzet, körülmények A szenzorok, a mobil eszközök képessége nő A felhőszolgáltatások
Tartalom. Jó hogy jön Jucika, maga biztosan emlékszik még, hányadik oldalon van a Leszállás ködben.
Tartalom Jó hogy jön Jucika, maga biztosan emlékszik még, hányadik oldalon van a Leszállás ködben. Előszó 1. Az adatbányászatról általában 19 1.1. Miért adatbányászat? 21 1.2. Technológia a rejtett információk
BEKE ANDRÁS, FONETIKAI OSZTÁLY BESZÉDVIZSGÁLATOK GYAKORLATI ALKALMAZÁSA
BEKE ANDRÁS, FONETIKAI OSZTÁLY BESZÉDVIZSGÁLATOK GYAKORLATI ALKALMAZÁSA BESZÉDTUDOMÁNY Az emberi kommunikáció egyik leggyakrabban használt eszköze a nyelv. A nyelv hangzó változta, a beszéd a nyelvi kommunikáció
Mesterséges 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
5G technológiák és felhasználási esetek
5G technológiák és felhasználási esetek Bendek Kovács (Senior Specialist, Network Performance, Ericsson) Mivel foglalkozik az Ericsson? Rádiós hozzáférési hálózatok Felhő szerverparkok építése Telekommunikációs
Az 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
Internet-hozzáférések teljesítményvizsgálata webböngészőben
Internet-hozzáférések teljesítményvizsgálata webböngészőben Orosz Péter BME TMIT SmartCom Lab 4. Magyar Jövő Internet Konferencia 2017. november 8-9. Áttekintés Adatforgalmi trendek és internethozzáférések
Android Pie újdonságai
Android Pie újdonságai Ekler Péter peter.ekler@aut.bme.hu BME AUT Tartalom Android 9 újdonságok Fejlesztői érdekességek API változások Mit tartogat a jövő? Android 9 újdonságok Testreszabott rendszer Egyszerűbb,
Tanulás tanuló gépek tanuló algoritmusok mesterséges neurális hálózatok
Zrínyi Miklós Gimnázium Művészet és tudomány napja Tanulás tanuló gépek tanuló algoritmusok mesterséges neurális hálózatok 10/9/2009 Dr. Viharos Zsolt János Elsősorban volt Zrínyis diák Tudományos főmunkatárs
IoT rendszerfelügyelet
IoT rendszerfelügyelet Rózsa Gábor, NETvisor Zrt. Budapest, 2016. december 6. Tartalom Rendszerfelügyelet IoT környezetben Alapvető felügyeleti komponensek Felderítés Nyilvántartás Teljesítmény monitorozás
Hálózati réteg. WSN topológia. Útvonalválasztás.
Hálózati réteg WSN topológia. Útvonalválasztás. Tartalom Hálózati réteg WSN topológia Útvonalválasztás 2015. tavasz Szenzorhálózatok és alkalmazásaik (VITMMA09) - Okos város villamosmérnöki MSc mellékspecializáció,
- Adat, információ, tudás definíciói, összefüggéseik reprezentációtípusok Részletesebben a téma az AI alapjai című tárgyban
I. Intelligens tervezőrendszerek - Adat, információ, tudás definíciói, összefüggéseik reprezentációtípusok Részletesebben a téma az AI alapjai című tárgyban Adat = struktúrálatlan tények, amelyek tárolhatók,
A Műegyetem az Ipar 4.0 és digitalizáció élén
Ipar 4.0 Szakmai Délután A Műegyetem az Ipar 4.0 és digitalizáció élén Levendovszky János, tudományos és innovációs rektorhelyettes Budapest University of Technology and Economics Főbb pontok Az ipar 4.0
SmartActive Squash - IoT sportanalitika a felhőben
SmartActive Squash - IoT sport a felhőben Gódor István Vidács Attila Fehér Gábor TrafficLab HSNLab HSNLab Ericsson Research BME TMIT BME TMIT (SMartActive Garage : Ericsson BME ELTE) SmartActive Okos környezet
Érzékelők az autonóm járművekben
Érzékelők az autonóm járművekben Gáspár Péter Szirányi Tamás 1 Érzékelők Tartalom Motivációs háttér Környezetérzékelés célja Autóipari érzékelők Széria megoldások és ipari trendek 2 Motiváció: A járműipar
Intelligens beágyazott rendszer üvegházak irányításában
P5-T6: Algoritmustervezési környezet kidolgozása intelligens autonóm rendszerekhez Intelligens beágyazott rendszer üvegházak irányításában Eredics Péter, Dobrowiecki P. Tadeusz, BME-MIT 1 Üvegházak Az
Alter Róbert Báró Csaba Sensor Technologies Kft
Közúti forgalomelemzés kamerával e_traffic Alter Róbert Báró Csaba Sensor Technologies Kft Előadás témái Cégbemutató Videó analitikai eljárások Forgalomszámláló eszközök összehasonlítása e_traffic forgalomelemző
Az Internet jövője Nemzetközi és hazai kitekintés
Az Internet jövője Nemzetközi és hazai kitekintés Dr. Bakonyi Péter Budapesti Műszaki és Gazdaságtudományi Egyetem Jövő Internet Nemzeti Technológiai Platform Nemzetközi kitekintés q Az elmúlt 30 évben
Gyakorlatok. 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,
ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 0. TANTÁRGY ISMERTETŐ
ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 0. TANTÁRGY ISMERTETŐ Dr. Soumelidis Alexandros 2018.09.06. BME KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR 32708-2/2017/INTFIN SZÁMÚ EMMI ÁLTAL TÁMOGATOTT TANANYAG A tárgy célja
Kitekintés a jövőbe: új technológiák és modellek a fogyatékkal élők szolgálatában
: új technológiák és modellek a fogyatékkal élők szolgálatában Fókuszban a MOBIX - az integrált, multi-platform támogatású, biztonságos videó kommunikációs és üzenetküldő platform Antal.Kuthy@egroup.hu
LEAN 4.0 azaz hogyan tudja a Lean menedzsment az Ipar 4.0-át támogatni és lehetőségeit kiaknázni.
XXV. NEMZETI MINŐSÉGÜGYI KONFERENCIA LEAN 4.0 azaz hogyan tudja a Lean menedzsment az Ipar 4.0-át támogatni és lehetőségeit kiaknázni. Dr. Németh Balázs Kvalikon Kft. 2018. Szeptember 14. Termelő vállalat
Gyors sikerek adatbányászati módszerekkel
Gyors sikerek adatbányászati módszerekkel Kezdő adatbányászati workshop Petrócziné Huczman Zsuzsanna 2015.10.13. Bemutatkozás BME, műszaki informatika szak, adatbányászati szakirány Citibank Data Explorer
CSAPADÉKVÍZ GAZDÁLKODÁS A TELEPÜLÉSEKEN
CSAPADÉKVÍZ GAZDÁLKODÁS A TELEPÜLÉSEKEN Dr. Buzás Kálmán c. egyetemi tanár BME, Vízi Közmű és Környezetmérnöki Tanszék LIFE-MICACC projekt LIFE 16 CCA/HU/000115 Lajosmizse, 2019. június 19. Csapadékvíz
INTELLIGENCE ON YOUR SIDE WWW.INTELLIO.EU WWW.INTELLIO.EU WWW.INTELLIO.EU WWW.INTELLIO.EU WWW.INTELLIO.EU
Intelligens videó megfigyelési megoldások Kópházi János ügyvezetı igazgató 2008.03.26 Napirend INTELLIGENCE ON YOUR SIDE Cégbemutató Intelligens videó rendszer Esettanulmányok Költséghatékonysági számítások
A hálózattervezés alapvető ismeretei
A hálózattervezés alapvető ismeretei Infokommunikációs hálózatok tervezése és üzemeltetése 2011 2011 Sipos Attila ügyvivő szakértő BME Híradástechnikai Tanszék siposa@hit.bme.hu A terv általános meghatározásai
EEE Kutatólaboratórium MTA-SZTAKI Magyar Tudományos Akadémia
DElosztott I S T R I B U T EEsemények D EV E N T S A NElemzé A L Y S I S se R E SKutatólaboratór E A R C H L A B O R A T Oium R Y L I D A R B a s e d S u r v e i l l a n c e Városi LIDAR adathalmaz szegmentációja
Modellkiválasztás 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
Számítógépes 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
2008 IV. 22. Internetes alkalmazások forgalmának mérése és osztályozása. Április 22.
2008 IV. 22. Internetes alkalmazások forgalmának mérése és osztályozása Az óra rövid vázlata Nemzetközi együttműködések áttekintése A CAIDA céljai A CAIDA főbb kutatási irányai 2007-2010 között Internet
Teljesen elosztott adatbányászat alprojekt
Teljesen elosztott adatbányászat alprojekt Hegedűs István, Ormándi Róbert, Jelasity Márk Big Data jelenség Big Data jelenség Exponenciális növekedés a(z): okos eszközök használatában, és a szenzor- és
AZ E-MOBILITÁS ÖSSZEFÜGGÉSEI, LEHETŐSÉGEI. Kisgyörgy Lajos BME Út és Vasútépítési Tanszék
AZ E-MOBILITÁS ÖSSZEFÜGGÉSEI, LEHETŐSÉGEI Kisgyörgy Lajos BME Út és Vasútépítési Tanszék E-MOBILITÁS Elektromos és önvezető járművek Intelligens közlekedés Jármű jármű kommunikáció Jármű infrastruktúra
Big Data: lehetőségek és kihívások
Big Data: lehetőségek és kihívások A kutatás módszertana CISCO CONNECTED WORLD TECHNOLOGY REPORT 3. KIADÁS 1800 Informatikai szakember megkérdezésével készült Az adatfelvétel 2012. augusztusában történt
Mérnök informatikus mesterszak mintatanterve (GE-MI) nappali tagozat/ MSc in, full time Érvényes: 2011/2012. tanév 1. félévétől, felmenő rendszerben
Mérnök informatikus mesterszak mintatanterve (GE-MI) nappali tagozat/ MSc in, full time Érvényes: 2011/2012. tanév 1. félévétől, felmenő rendszerben Tantárgy Tárgykód I. félév ősz II. félév tavasz Algoritmusok
KÖFOP VEKOP A jó kormányzást megalapozó közszolgálat-fejlesztés
KÖFOP-2.1.2-VEKOP-15-2016-00001 A jó kormányzást megalapozó közszolgálat-fejlesztés Az Okos város okos közigazgatás kutatóműhely zárórendezvénye Okos szolgáltatások teljesítményének mérése, elemzése és
Budapesti 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
AZ ELEKTROMOBILITÁS KORMÁNYZATI FELADATAI. III. Elektromobilitás Konferencia. Weingartner Balázs államtitkár Innovációs és Technológiai Minisztérium
AZ ELEKTROMOBILITÁS KORMÁNYZATI FELADATAI III. Elektromobilitás Konferencia Weingartner Balázs államtitkár Innovációs és Technológiai Minisztérium JEDLIK ÁNYOS CSELEKVÉSI TERV A Jedlik Ányos Cselekvési
SZTE Eötvös Loránd Kollégium. 2. Móra György: Információkinyerés természetes nyelvű szövegekből
2010/2011 tavaszi félév SZTE Eötvös Loránd Kollégium 1. Dombi József: Fuzzy elmélet és alkalmazásai 2011. március 3. 19:00 2. Móra György: Információkinyerés természetes nyelvű szövegekből 2011. március
Google App Engine az Oktatásban 1.0. ügyvezető MattaKis Consulting http://www.mattakis.com
Google App Engine az Oktatásban Kis 1.0 Gergely ügyvezető MattaKis Consulting http://www.mattakis.com Bemutatkozás 1998-2002 között LME aktivista 2004-2007 Siemens PSE mobiltelefon szoftverfejlesztés,
Cisco ISE megoldások. Balatonalmádi, 2014. február 27. Détári Gábor, senior rendszermérnök detari.gabor@t-systems.hu
Cisco ISE megoldások Balatonalmádi, 2014. február 27. Détári Gábor, senior rendszermérnök detari.gabor@t-systems.hu TARTALOM 1 2 3 Motivációk Aggasztó kérdések, belépési pontok Régi és új típusú megoldások
Gépi tanulás. Hány tanítómintára van szükség? VKH. Pataki Béla (Bolgár Bence)
Gépi tanulás Hány tanítómintára van szükség? VKH Pataki Béla (Bolgár Bence) BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Induktív tanulás A tanítás folyamata: Kiinduló
Steps Towards an Ontology Based Learning Environment. Anita Pintér Corvinno Technologia Transzfer Kft apinter@corvinno.hu
Steps Towards an Ontology Based Learning Environment Anita Pintér Corvinno Technologia Transzfer Kft apinter@corvinno.hu Ontológia alapú elektronikus tanulási környezet megteremtése Anita Pintér Corvinno
BIG 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
Click to edit Master title style
Click to edit Master title style IoT megoldások LoRa technológiával Bottyán Balázs Flashnet Hungary Integrált Click to megoldások edit Master title style InteliLIGHT Teljes közvilágítási menedzsment megoldás
Beltéri autonóm négyrotoros helikopter szabályozó rendszerének kifejlesztése és hardware-in-the-loop tesztelése
Beltéri autonóm négyrotoros helikopter szabályozó rendszerének kifejlesztése és hardware-in-the-loop tesztelése Regula Gergely, Lantos Béla BME Villamosmérnöki és Informatikai Kar Irányítástechnika és
InfoVista újdonságok. Sándor Tamás. fımérnök. SCI-Network Távközlési és Hálózatintegrációs zrt. T.: 467-70-30 F.: 467-70-49
SCI-Network Távközlési és Hálózatintegrációs zrt. InfoVista újdonságok T.: 467-70-30 F.: 467-70-49 info@scinetwork.hu www.scinetwork.hu Sándor Tamás fımérnök Nem tudtuk, hogy lehetetlen, ezért megcsináltuk.
A jövő Internetje. HTE Közgyűlés 2010. május 20. Dr. Szabó Róbert, e. docens. http://www.tmit.bme.hu
BME TMIT VIK A jövő Internetje HTE Közgyűlés 2010. május 20. Dr. Szabó Róbert, e. docens Budapesti Műszaki és Gazdaságtudományi Egyetem http://www.tmit.bme.hu Tartalom Hol vagyunk ma? Jövő Internet: fókusz
Alternatív zártláncú tartalomtovábbítás értékesítőhelyek számára
Alternatív zártláncú tartalomtovábbítás értékesítőhelyek számára António Felizardo Hungaro DigiTel Kft. 2015. okt. 8. Igény Kapacitás - Adatforgalom Alkalmazások Felhasználó Hálózat Egyik a másikat gerjeszti,
1. Pillér: Digitális infrastruktúra
1. Pillér: Digitális infrastruktúra Szélessávú hálózati lefedettség növelése Minden olyan projektcél, amely digitális termék, vagy szolgáltatásfejlesztéssel hozzájárul a szélessávú hálózati lefedettség
Különböző hagyományos és nem-hagyományos eljárások kombinálása: miért és hogyan? április 16.
Különböző hagyományos és nem-hagyományos eljárások kombinálása: miért és hogyan? 2008. április 16. Életből vett problémák, projektek Dunai Vasmű: acélkonverter modellezése Orvosi röntgenkép-kiértékelés
Előadás témája: DVR-ek és hálózati beállításuk Szentandrási-Szabó Attila műszaki vezető
Előadás témája: DVR-ek és hálózati beállításuk Előadó: Szentandrási-Szabó Attila műszaki vezető A DVR kínálat bemutatása AVTECH MDR, AVC sorozatú DVR-ek bemutatása; SAMSUNG SRD sorozatú DVR bemutatása;
Digitális kultúra, avagy hová lett az informatika az új NAT-ban? Farkas Csaba
Digitális kultúra, avagy hová lett az informatika az új NAT-ban? Farkas Csaba farkas.csaba@uni-eszterhazy.hu Áttekintés A digitális átalakulás nem választás kérdése: olyan elkerülhetetlen jelenség, amelyre
Hogyan lesz adatbányából aranybánya?
Hogyan lesz adatbányából aranybánya? Szolgáltatások kapacitástervezése a Budapest Banknál Németh Balázs Budapest Bank Fehér Péter - Corvinno Visontai Balázs - KFKI Tartalom 1. Szolgáltatás életciklus 2.
Perspektívák a sertések precíziós takarmányozásában. Halas Veronika, PhD Kaposvári Egyetem Takarmányozástani tanszék
Perspektívák a sertések precíziós takarmányozásában Halas Veronika, PhD Kaposvári Egyetem Takarmányozástani tanszék Az EU országok vágott sertés kibocsájtása (millió hízó) Eurostat (2014) 1000 koca Az
Merre megy a könyvvizsgálat a digitalizáció korában?
Merre megy a könyvvizsgálat a digitalizáció korában? XXVI. Országos Könyvvizsgálói Konferencia 2018. szeptember 6. Halmosi Gábor, FCCA kamarai tag könyvvizsgáló Napirend A digitalizáció hatása napjainkra
Ember és robot együttműködése a gyártásban Ipar 4.0
Helyszín: MTA Székház, Felolvasóterem Időpont: 2017. November 7. Ember és robot együttműködése a gyártásban Ipar 4.0 Dr. Erdős Ferenc Gábor MTA SZTAKI Fejlett robotika ígérete A fejlett robotika és az
1. Informatikai trendek, ágensek, többágenses rendszerek. Intelligens Elosztott Rendszerek BME-MIT, 2018
1. Informatikai trendek, ágensek, többágenses rendszerek A számítástechnika történetének 5 nagy trendje mindenütt jelenlévő (ubiquity) összekapcsolt (interconnection) intelligens delegált (delegation)
Miről lesz szó? Videó tartalom elemzés (VCA) leegyszerűsített működése Kültéri védelem Közúthálózat megfigyelés Emberszámlálás
Videóanalitikát mindenhova! Princz Adorján Miről lesz szó? Videó tartalom elemzés (VCA) leegyszerűsített működése Kültéri védelem Közúthálózat megfigyelés Emberszámlálás VCA alapú detektorok Videótartalom
Tipikus időbeli internetezői profilok nagyméretű webes naplóállományok alapján
Tipikus időbeli internetezői profilok nagyméretű webes naplóállományok alapján Schrádi Tamás schraditamas@aut.bme.hu Automatizálási és Alkalmazott Informatikai Tanszék BME A feladat A webszerverek naplóállományainak
Gépi tanulás és Mintafelismerés
Gépi tanulás és Mintafelismerés jegyzet Csató Lehel Matematika-Informatika Tanszék BabesBolyai Tudományegyetem, Kolozsvár 2007 Aug. 20 2 1. fejezet Bevezet A mesterséges intelligencia azon módszereit,
BusEye online személyre szabott utastájékoztató mobil alkalmazás fejlesztése
BusEye online személyre szabott utastájékoztató mobil alkalmazás fejlesztése Közlekedéstudományi Konferencia Hazai és nemzetközi projektek a közlekedésben Győr, 2014. március 27-28. BME - Közlekedésüzemi
Élettartam teszteknél alkalmazott programstruktúra egy váltóvezérlő példáján keresztül
Élettartam teszteknél alkalmazott programstruktúra egy váltóvezérlő példáján keresztül 1 Tartalom Miről is lesz szó? Bosch GS-TC Automata sebességváltó TCU (Transmission Control Unit) Élettartam tesztek
Internet of Things az új mobil forradalom
Internet of Things az új mobil forradalom Tóth Bálint WebSphere brand sales manager balint.toth@hu.ibm.com A világ változik... 50 mrd összekapcsolt eszköz 2020-ra Több tablet, mint PC értékesítés 2013
Intelligens Rendszerek Elmélete. Versengéses és önszervező tanulás neurális hálózatokban
Intelligens Rendszerek Elmélete : dr. Kutor László Versengéses és önszervező tanulás neurális hálózatokban http://mobil.nik.bmf.hu/tantargyak/ire.html Login név: ire jelszó: IRE07 IRE 9/1 Processzor Versengéses
Gépi tanulás a gyakorlatban. Bevezetés
Gépi tanulás a gyakorlatban Bevezetés Motiváció Nagyon gyakran találkozunk gépi tanuló alkalmazásokkal Spam detekció Karakter felismerés Fotó címkézés Szociális háló elemzés Piaci szegmentáció analízis
MENEDZSMENT ALAPJAI Bevezetés
MENEDZSMENT ALAPJAI Bevezetés Dr. Gyökér Irén egyetemi docens 2012 ősz Jegyzetek, diasorok - ÜTI honlap http://www.uti.bme.hu/cgibin/hallgato/tantargyak.cgi?detail=true&tantargy_id=15035 Folyamatos számonkérés:
Mitől lesz okos a városunk? Smart City szakértő Budapest, 2017
Mitől lesz okos a városunk? Topa Gábor Smart City szakértő Budapest, 2017 T-Systems okos megoldás portfólió Városirányítási megoldások Okos Város Infrastruktúra e-mobilitás Intelligens közlekedés Energia
AZ 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
Mesterséges 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
Big Data technológiai megoldások fejlesztése közvetlen mezőgazdasági tevékenységekhez
Big Data technológiai megoldások fejlesztése közvetlen mezőgazdasági tevékenységekhez Szármes Péter doktorandusz hallgató Széchenyi István Egyetem, MMTDI Dr. Élő Gábor egyetemi docens, Széchenyi István
Forgalmi modellezés BMEKOKUM209
BME Közlekedésüzemi és Közlekedésgazdasági Tanszék Forgalmi modellezés BMEKOKUM209 Szimulációs modellezés Dr. Juhász János A forgalmi modellezés célja A közlekedési igények bővülése és a motorizáció növekedése
III.6. MAP REDUCE ELVŰ ELOSZTOTT FELDOLGOZÁSI ALGORITMUSOK ÉS TESZTKÖRNYEZET KIDOLGOZÁSA ADATBÁNYÁSZATI FELADATOK VÉGREHAJTÁSÁHOZ
infokommunikációs technológiák III.6. MAP REDUCE ELVŰ ELOSZTOTT FELDOLGOZÁSI ALGORITMUSOK ÉS TESZTKÖRNYEZET KIDOLGOZÁSA ADATBÁNYÁSZATI FELADATOK VÉGREHAJTÁSÁHOZ KECSKEMÉTI ANNA KUN JEROMOS KÜRT Zrt. KUTATÁSI
Intelligens közlekedés: a járműipar és járműirányítás IKT igényei, a VehicleICT projekt. Lengyel László lengyel@aut.bme.hu
Intelligens közlekedés: a járműipar és járműirányítás IKT igényei, a projekt Lengyel László lengyel@aut.bme.hu Az IT ma Havonta 850 millió aktív felhasználó a facebookon Az előadásom alatt 1,400,000 tweet
Számítógépes képelemzés 7. előadás. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék
Számítógépes képelemzés 7. előadás Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Momentumok Momentum-alapú jellemzők Tömegközéppont Irányultáság 1 2 tan 2 1 2,0 1,1 0, 2 Befoglaló
Modell alapú tesztelés mobil környezetben
Modell alapú tesztelés mobil környezetben Micskei Zoltán Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék A terület behatárolása Testing is an activity performed
TELEPÜLÉSI CSAPADÉKVÍZGAZDÁLKODÁS: Érdekek, lehetőségek, akadályok
TELEPÜLÉSI CSAPADÉKVÍZGAZDÁLKODÁS: Érdekek, lehetőségek, akadályok Dr. Buzás Kálmán BME, Vízi Közmű és Környezetmérnöki Tanszék A hazai csapadékvízgazdálkodás jelen gyakorlata, nehézségei és jövőbeli lehetőségei
BME IPAR 4.0 TECHNOLÓGIAI KÖZPONT. Kovács László
BME IPAR 4.0 TECHNOLÓGIAI KÖZPONT Kovács László RÓLUNK - BME Építőmérnöki Kar (ÉMK) - 1782 Gépészmérnöki Kar (GPK) - 1871 Építészmérnöki Kar (ÉPK) - 1873 Vegyészmérnöki és Biomérnöki Kar (VBK) - 1873 Villamosmérnöki
GYIK GYAKRAN ISMÉTELT KÉRDÉSEK
GYIK GYAKRAN ISMÉTELT KÉRDÉSEK 1. Mi a pontos képzési program? A képzés megnevezése: Digitális Transzformáció és Ipar 4.0 alapképzés A képzés 2 db tananyagegységből/ modulból áll össze, melyek a következő
A Jövő Internet Nemzeti Kutatási Program és eredményei
1. Magyar Jövő Internet Konferencia A Jövő Internet Nemzeti Kutatási Program és eredményei Jövő Internet Kutatáskoordinációs Központ Budapesti Műszaki és Gazdaságtudományi Egyetem Budapest, 2014. október
Miskolci 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
Adatbányászati technikák (VISZM185) 2015 tavasz
Adatbányászati technikák (VISZM185) 2015 tavasz Csima Judit BME, VIK, Számítástudományi és Információelméleti Tanszék 2015. február 11. Csima Judit Adatbányászati technikák (VISZM185) 2015 tavasz 1 / 27
Projekt specifikus megvalósítás I. Merre tart az informatikai Hogyan érinti ez a megvalósítást Sándor Tamás
Projekt specifikus megvalósítás I Merre tart az informatikai Hogyan érinti ez a megvalósítást Merre tart az informatika Mi lesz a következő IPAR 4.0 IoT Intelligens Otthon Intelligens Város Önvezető Autó????