(Az API amerikai szabvány leginkább az ottani motorokhoz és körülményekhez fejlesztve, Európában nem annyira mérvadó) Benzinesek: API-SH 1997 előtti gyártású motorokhoz. Minden korábbi előírás (API SF, SG) esetén alkalmazható. Ez a minősítés elavultsága miatt már nem kiadható. API-SJ 2001-ben és azelőtt gyártott benzines motorokhoz egységesen használható motorolaj alacsonyabb kéntartalommal és csökkentett lerakódási hajlammal. API-SL 2001-ben életbe lépett, 2004-ig gyártott szigorított követelményrendszert kielégítő teljesítményszint. Minden amerikai Otto-motoros járműben alkalmazható. Elsősorban a magas hőmérsékleten képződő lerakódások az olajfogyasztás csökkentése és üzemanyagtakarékosság terén múlja felül az SJ teljesítményszintet. API-SM 2005 elején életbe lépett, legszigorúbb követelményrendszert kielégítő teljesítményszint. Elsősorban a kopásállóság, az alacsony hőmérsékleti folyási képesség és a fokozottabb öregedésállóság terén múlja felül az SL szintet. Új szabványok: API SN és ILSAC GF-5 - Hírek - LubMaster Olaj. A régebbi API minősítésekhez képest alacsonyabb foszfor és kéntartalmú.
Üdv: Olajdoki
A Labor profilja a médiaszolgáltatások és a médiatartalmak adaptív, intelligens feldolgozásához, ezen belül is a szöveg-, kép- és videóelem azonosításhoz, metacímkézéshez kötődik. Ilyen elemekből álló strukturálatlan multimédia tartalmak osztályozási és klaszterezési feladatainál olyan Data Science módszerek használhatók, melyek a gépi tanulás és látás, minta felismerés, jelfeldolgozás, adatbányászat, prediktív analitika tématerületeihez kapcsolódnak. A Laborban használjuk mindazokat a módszereket - beleértve a legújabb mélytanulási (deep learning) metódusokat is - melyek különböző médiatípusok osztályozási, klaszterezési, regressziós jellegű elemzési problémáinak megoldására alkalmasak nagy adathalmazok mellett is. Költségtérítés - BME VIK. A megszerzett tudás egyrészt az iparban azonnal hasznosítható, de a kihívások által elsajátított elméleti tudással van lehetőség tudományos feljődésre is (TDK, doktoranduszi pálya). A Labor ipari kapcsolatai innovatív kis-, közép- és nagyvállalatokból állnak. Kollégák: Dr. Szűcs Gábor - MediaLab vezetője Dr. Magyar Gábor Paróczi Zsombor Papp Dávid
Belépés címtáras azonosítással vissza a tantárgylistához nyomtatható verzió Adatelemzési platformok A tantárgy angol neve: Data Analytics Platforms Adatlap utolsó módosítása: 2014. október 3. Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Mérnökinformatikus szak, MSc képzés Adat- és médiainformatikai mellékspecializáció Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév VITMMA05 1 2/1/0/f 4 3. A tantárgyfelelős személy és tanszék Dr. Magyar Gábor Béla, 4. A tantárgy előadója Gáspár Csaba egyetemi tanársegéd BME-TMIT Nagy István tanszéki mérnök Prekopcsák Zoltán 5. Data science képzés bme syllabus. A tantárgy az alábbi témakörök ismeretére épít Alapvető matematikai és algoritmuselméleti ismeretek 6. Előtanulmányi rend Kötelező: NEM ( TárgyEredmény( " BMEVITMM139 ", "jegy", _) >= 2 VAGY TárgyEredmény(" BMEVITMM139 ", "FELVETEL", AktualisFelev()) > 0) A fenti forma a Neptun sajátja, ezen technikai okokból nem változtattunk. A kötelező előtanulmányi rendek grafikus formában itt láthatók.
Cím 1111 Budapest Egry József utca 1 Telefon +36 1 463-1111/5669
Hol kezdjük el az adatvezéreltséget? Hogyan induljunk el? Vannak üzleti problémáink, ezeket meg lehet oldani adatokkal? Vannak adataink, mit lehet ezekkel kezdeni? Szívesen meghallgatnád a képzés átfogó tematikáját Nagy-Rácz Istvántól, a képzés vezetőjétől? Akkor iratkozz fel hírlevelünkre, és mi küldjük is neked a tematikáról szóló videót. Feliratkozom a videóért! Megkérdeztük hallgatóinkat, miért jelentkeztek a képzésre, és miben változott az, ahogy dolgoznak: "Hittem benne, hogy nemcsak matematikusok számára érthető módon lesz megközelítve az adatelemzés és a modellezés, és igazam lett. Pontosan arra kaptunk választ ezen a képzésen, hogy hogyan működnek a modellek, milyen előnyöket élvezhetünk használatuk során, a felmerülő kérdéseink mentén melyik modellt, módszert alkalmazzuk. Data Science - Multimédia és tartalomkezelés csoport (MediaLab) | Távközlési és Médiainformatikai Tanszék. " Olvasd el a pénzügyi szektorból érkező Antal Violettával készült teljes interjút! "Ha van egy köztes ember, aki nem elküldi a riportot, hanem egy meetingen 15 percben elmondja a CTO-nak vagy a CFO-nak, hogy miért nagyon fontos, amit az adott adatok mutatnak, akkor annak nagyobb az impaktja.
Követelmények A szorgalmi időszakban: 1 db házi feladat és 1 db zárthelyi dolgozat A kredit-megszerzés feltétele a nagyházi feladat (beleértve a pótló nagyházit is: lásd a következő pontban) és a zárthelyi dolgozat legalább elégséges szintre történő megírása. A félévközi érdemjegy a zárthelyi és a házi feladat osztályzatainak átlaga. 11. Pótlási lehetőségek Sikertelen zárthelyi egy alkalommal (pótZH vagy pót-pótZH alkalmával) pótolható. BME VIK - Adatelemzési platformok. A házi feladat pótlólagos beadása a pótlási időszakban lehetséges. 12. Konzultációs lehetőségek A tárgy előadójával személyesen, vagy e-mailben egyeztetett időpontban 13. Jegyzet, tankönyv, felhasználható irodalom Dr. Abonyi János: Adatbányászat a hatékonyság eszköze, Computerbooks, Budapest 2006 Larose, Daniel T., Discovering Knowledge in Data: An Introduction to Data Mining, Wiley-Interscience, 2004. Bodon Ferend, Búza Krisztián: Adatbányászat (folyamatosan bővülő elektronikus jegyzet), 2013 Donald Miner, Adam Shook: MapReduce Design Patterns: Building Effective Algorithms and Analytics for Hadoop and Other Systems, O'Reilly, 2012 14.
Nekem önbizalmat és megerősítést adott, jóval többet, mint egy egyetemi diploma. Tornyai Péter Head of risk policy Magyar Cetelem Bank Köszönet a színvonalas oktatásért! Sok kocka megvolt már, de most összeraktátok nekem a képet. Persze volt új dolog bőven. Mindezt érdekes és minőségi formában. Nagyon köszönöm az új szemléletet, az új látásmódot. Köszönöm, hogy megmutattátok, hányféleképpen lehet ugyanazt a dolgot szemlélni. És a családias hangulatot..., adat, adat... és sose lesz vége. Miért minket válassz? Módszertan és tudás mellett szemléletet és kontextust is adunk képzéseinken. Data science képzés b e r. Arra buzdítunk ezzel, hogy teszteld az eszköztárad határait, állj kritikusan az új ismeretekhez, és értsd meg, melyik módszer mikor alkalmazható. A legjobb hazai szakemberekkel dolgozunk, akiknek komoly üzleti vagy világszínvonalú akadémiai múltja van azon a területen, amelyen oktat. A nyílt képzések mellett évek óta vállalati tanácsadással, agilis és digitális transzformációval foglalkozunk a legkülönbözőbb szervezeteknél, ezért valós képünk van arról, milyen munkaerőpiaci igényeik vannak a vállalatoknak.