Courses – Fakultet tehničkih nauka u Novom Sadu

Subject: (22.EAI022)

Type of studies	Title
Master Academic Studies	Artificial Intelligence and Machine Learning (Year: 1, Semester: Winter)

General information:

Category	Theoretical-methodological
Scientific or art field	Applied Computer Science and Informatics
ECTS	6

Upoznavanje studenata sa različitim vrstama i oblicima podataka i njihovim specifičnostima u odnosu na kreiranje i obradu pri razvoju rešenja u oblasti veštačke inteligencije (dostupnost, kvantitet, kvalitet, sigurnost). Upoznavanje sa različitim načinima: dobavljanja, reprezentacije, modelovanja i skladištenja podataka. Analiza različitih modela podataka za primenu izabranih metoda mašinskog učenja i razvoj rešenja u oblasti veštačke inteligencije. Praktično osposobljavanje za inženjering karakteristika, primenu metoda rudarenja podataka i tehnika mašinskog učenja nad medicinskim podacima.

Studenti poseduju znanja o najčešćim vrstama i oblicima medicinskih podataka u praksi, njihovom reprezentacijom u računaru i pripremom za primenu metoda mašinskog učenja i razvoju rešenja u domenu veštačke inteligencije. Samostalno implementiraju i primenjuju postupke za: kreiranje, pripremu, modelovanje, korišćenje i čuvanje podataka. Raspoznaju moguća ograničenja u korišćenju dostupnih podataka. Konstruišu odgovarajuće reprezentacija i modele podataka. Analiziraju i biraju odgovarajuće metode i tehnika rudarenja podataka i mašinskog učenja pri radu sa različitim vrstama i oblicima podataka. Poznaju savremene pravce u naučnom istraživanju u oblasti modelovanja podataka i dostupe repozitorijume podataka. Otkrivaju i razmatraju potencijalni razvoj novih rešenja u oblasti veštačke inteligencije.

Vrste, formati i oblici podataka. Načini reprezentacije, dizajna i skladištenja podataka. Specifičnosti medicinskih podataka. Deidentifikacije i anonimizacije podataka. Kvalitet, standardi i klasifikacije podataka. Primarno i sekundarno korišćenje podataka. Otvoreni podaci. Analiza dostupnih repozitorijuma podataka, njihovog dizajna i upotrebljivosti. Razmatranje postojećih i potencijalnih naučnih i praktičnih istraživanja nad dostupnim podacima. Upotreba aktuelnih programskih jezika, alata i biblioteka za modelovanje i obradu podataka. Kreiranje sintetičkih podataka za istraživanje primene modela mašinskog učenja. Identifikacija, odabir i implementacija tehnika za ekstrakciju znanja iz podataka. Praktična primena i implementacija metoda mašinskog učenja nad istraženim podacima.

Nastava se odvija kroz sledeće oblike: predavanja, vežbe, samostalan rad i konsultacije. Predavanja su auditorna i na njima se u jednom delu izlaže gradivo dok se u drugom ohrabruje diskusija koja se odnosi na nova saznanja i praktičnu primenu i realizaciju rešenja. Vežbe su pokazne i praktične. Na njima se realizuju softverska rešenja koja se odnose na gradivo izneto na predavanjima. Zadaci na vežbama se rade samostalno ili u timu. Predavanja i vežbe prati odgovarajući materijalu obliku: prezentacija, dokumenata i naučnih radova. Na kraju semestra se radi test, pismeno. U toku semestra se definiše predmetni projekat koji student izvodi samostalno uz mentorstvo nastavnika i saradnika. Predmetni projekat se brani usmeno na kraju semestra.

Authors	Title	Year	Publisher	Language
Paula Moraga	Geospatial Health Data: Modeling and Visualization with R-INLA and Shiny	2019	Chapman and Hall/CRC	English
Chandan K. Reddy, Charu C. Aggarwal (Eds.)	Healthcare Data Analytics	2015	CRC Press	English
Sharona Hoffman	Electronic Health Records and Medical Big Data: Law and Policy	2016	Cambridge University Press	English