Az adatgyűjtést, az alkotó elemző munkát és az elemzés eredményeinek alkalmazását megalapozó programozási ismeretek.

A modul elvégzésével a hallgató képes komplex rendszerek és folyamatok elemzésére az adattudomány és gépi tanulás alkalmazásával.

Python programozási alapok, Statisztikai alapok, Feltáró jellegű adatelemzés,  Adatbányászat, Gépi tanulás alapjai (regresszió, osztályozás, klaszterezés, dimenzióredukciós technikák, idősor elemzések és idősor predikció), Knime és más open source rendszerek, Felhőben elérhető szolgáltatások.

A modul elvégzésével a hallgató képes az adatok összefüggéseinek hálózatelméleti eszköztárral történő elemzésére.

Gráfelméleti alapok, Hálózatok mérőszámai (fokszám, fokszám eloszlás, centralitás mértékek), közösségek a hálózatokban, dinamika a hálózatokban, gráf adatbázisok (RDF adatmodellek), területi hálózatok

A modul elvégzésével a hallgató képes a szabadszöveges adatokból történő információkinyerési feladatok megértésére, a problémák megoldásához hatékony megoldási módozatokat javasol és valósít meg. 

A modul alapoz az alapvető adatbányászati módszerekre, azokat integráltan alkalmazza a szövegfeldogozás során. 

Informáci kinyerés szövegekből, Szövegfeldolgozási módszerek (szövegtisztítás, tokenizálás, stb...), Szövegek csoportosítása és osztályozása, Szentiment elemzés, Neurális hálózatok alkalmazása szövegfeldolgozásban, Szóbeágyazások

A modul elvégzésével a hallgató képes az ipari termelő szervezetek, gyártástechnológia, és műszaki szolgáltatások területén működő folyamatok kritikus elemzésére.

Képes az ipari termelő szervezetek, gyártástechnológia, és műszaki szolgáltatások területén működő folyamatok kritikus elemzésére a folyamatbányászat és a folyamatmodellezés eszköztárának alkalmazásával.

Folyamatmodellek szerepe a BPMN alapú folyamatmenedzsmentben. Az eseményelemzés és a folyamatbányászat technikái és alkalmazásai.

Ismeri a neurális hálózatok felépítését, tanítási algoritmusait, valamint a különböző típusú hálózatokat (előrecsatolt, konvolúciós, rekurrens, LSTM), valamint mélytanuló algoritmusokat képes fejleszteni. Megismerkedik a Fizikával Informált Neurális hálózatok működésével, valamint a generatív hálózatokkal.

Ismeri az alapvető megerősítéses tanulási algoritmusokat, mint a dinamikus programozás, Q-learning, Deep Q-learning, valamint a policy gradiens módszereket (pl. Deep Deterministic Policy Gradient). Képes öntanuló rendszereket fejleszteni.

Ismeri a képi információ különböző szintjeinek alapvető feldolgozási mechanizmusait. 

A kép keletkezése, képi szenzorok, kapcsolódás a humán látáshoz. Képi tulajdonságok a pixel és frekvencia térben. Képek osztályozása, objektum felismerés és detekció, képek szegmentálása.

Ismeri a komplex rendszerek és folyamatok optimálására alkalmas algoritmusokat és eszközöket.

Alkalmas modellezési és optimalizációs eszközök integrált alkalmazásával műszakilag és gazdaságilag optimális megoldásokra vonatkozó javaslatok kidolgozására, az optimális működést biztosító megoldások fejlesztésére.

Az optimalizálás és az operációkutatás ipar 4.0 fókuszú alkalmazási lehetőségeinek megismerése, továbbá a mesterséges intelligencia nyújtotta eszközök használatának elsajátítása.

Ismeri a nagy méretű adathalmazok tárolásából és lekérdezéséből fakadó problémákat, valamint ismeri a problémák megoldásához szükséges korszerű adattárolási és elérési módszereket.

Big Data alapfogalmak, jellemzők, skálázhatóság. Big Data modellek (modell struktúrák, műveletek, relációs adatmodell, speciális adatmodellek), Big Data szoftverek. Megismerkedik az ML-Ops keretrendszerrel, valamint annak alkalmazásával.