1. A gépi tanulás célja. A függvénytanulási feladat tényezői.
2. A gépi tanuláshoz kapcsolódó fogalmak. 
3. A PAC tanulási modell. 
4. Hatékony PAC tanulás. Occam tanulás. 
5. Minta-komplexitás és a Vapnik-Chervonenkis dimenzió. 
6. A Bayes-döntéselmélet alapjai.
7. Eloszlások paramétereinek becslése ML /*illetve Bayes-*/ módszerrel.
8. Valószinűségi eloszlások modellezése Gauss-keverékmodellel (GMM), 
   az ML tanitási kritérium és az Expectation Maximization algoritmus
   használatával.
9. Döntési fák
10. Neuronhálók.
11. Nemparametrikus módszerek. Példány-alapú tanulás legközelebbi szomszéd 
   és kernel-alapú módszerekkel.
12. Lineáris osztályozók
13. SVM

Vizsgakövetelmények:
A fenti tételsor alapján mindenki 2 tételt kap, a tételek kidolgozására 
pedig 1 órát. A kidolgozott tételek akapján szóban történik a vizsgáztatás. 
A kettes érdemjegyhez mindkét tételt legalább kettesre kell tudni.

Gyakorlati követelmények:
Legkésőbb a vizsga napjáig le kell adni (vagy e-mailben elküldeni) egy ún. 
mérési jegyzőkönyvet. Ebben a gyakorlat során tanult gépi tanulási algoritmusok
futtatási eredményeit, tapasztalatait kell ismertetni 2 mesterségesen elkészített 
és 3, az UCI Machine Learning Repository-ból kiválasztott adatbázison.
A gépi tanuláshoz a gyakorlaton bemutatott machine learning toolbox-ot célszerű
használni. A kettes szinthez legalább 6, az órán tanult algoritmust
(ML, ML_Diag, EM, k-NN, ID3, ANN, stb.) futási eredményeit kell leadni 
legalább 3 (1 mesterséges és 2 UCI-beli) adatbázison.