Önfelügyelt mély tanulás idősoros adatokon

Témavezető:	Csiszárik Adrián
	Rényi Intézet
email:	cs.adrian@gmail.com

Projekt leírás

A hallgató feladata, hogy egy választott idősoros adathalmazon (egészségügy vagy energetia témában) kipróbáljon, kiértékeljen, és esetlegesen továbbfejlesszen önfelügyelt mély tanuló eljárásokat.

A projekt kiváló terep arra, hogy egy kiválasztott egészségügyi/energetikai feladat megoldása mentén (1) a hallgató megismerje az elmúlt évek mesterséges intelligencia alkalmazásainak egyik fontos sarokkövét, az önfelügyelt tanulást; (2) tapasztalatot szerezzen idősoros adatok mély tanulási eszközökkel történő modellezésében; (3) mélyrehatóan megismerjen csúcsteljesítményű eljárásokat a témában.

Előfeltételek

1. Python programozási alapismeretek
2. Pytorch alapismeretek vagy ennek gyors elsajátítása
3. Angol nyelvű szakcikkek olvasása

Hivatkozások

1. Zhang, Xiang, et al. "Self-supervised contrastive pre-training for time series via time-frequency consistency." (NeurIPS 2022)
2. Oord, A.V.D., Li, Y. and Vinyals, O., 2018. Representation learning with contrastive predictive coding. arXiv preprint arXiv:1807.03748.
3. http://www.deeplearningbook.org

Hallgató

• Borbély Bernárd: Önfelügyelt mély tanulás idősoros adatokon (2023/24 II. félév Önálló projekt, szakmai gyakorlat II)
• Lukács Emma: Entropy estimation (2023/24 II. félév Önálló projekt, szakmai gyakorlat II)
• Szirmai Vilmos Andor: Machine learning algorithms for rattling detection (2023/24 II. félév Önálló projekt, szakmai gyakorlat II)

Korábbi hallgatók

• Szirmai Vilmos Andor: Self-supervised Deep Learning Models on Time-series Data (2023/24 I. félév Önálló projekt, szakmai gyakorlat I)
• Lukács Emma: Entropy estimation (2023/24 I. félév Önálló projekt, szakmai gyakorlat I)
• Borbély Bernárd: Önfelügyelt mély tanulás idősoros adatokon (2023/24 I. félév Önálló projekt, szakmai gyakorlat I)