Courses – Fakultet tehničkih nauka u Novom Sadu

Subject: (22.EAI041)

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

General information:

Category	Professional-applicative
Scientific or art field	Information-Communication Systems
ECTS	6

Cilj predmeta je da se studenti upoznaju sa tehnikama i alatima veštačke inteligenicije koji se mogu koristiti za ekstrakciju informacija u mulitmedijalnim sistemima, primenom metoda i tehnika za obradu slika, videa, zvuka i teksta. Studenti će biti osposobljeni za razvoj programskih rešenja za obradu multimedijalnih sadržaja zasnovanih na kombinaciji metoda i tehnika klasične veštačke inteligencije i dubokog učenja. U okviru kursa, studenti će imati priliku da učestvuju u praktičnoj radionici NVIDIA instituta za duboko učenjeDeep Learning Institute (DLI), koja će studentima obezbediti praktično iskustvo u razvoju i primeni sistema dubokog učenja na savremenim GPU platformama i serverima u oblaku.

Studenti će po završetku kursa imati znanja i veštine koje će im omogućiti da koriste tehnike veštačke inteligencija za rešavanje praktičnih problema iz domena primene informacionih tehnologija u multimedijalnim sistemima. Pored toga steći će praktične veštine razvoja programskih rešenja korišćenjem OpenCV, Pythonscikit-image, Caffe, TensorFlow i PyTorch okruženja za modelovanje i treniranje dubokih neuronskih mreža. Kroz praktičan trening baziran na NVIDIA DLI radionicama studenti će razviti i primeniti praktične sisteme dubokog učenja na serverima u oblaku i imati priliku da steknu NVIDIA DLI sertifikat osposobljenosti za razvoj sistema veštačke inteligencije koji kombinuju različite tipove podataka (tekst, slika i video).

Predmet će pokriti sledeće oblasti: pregled osnovnih koncepata akvizicije i čuvanja vizuelnih i audio signala, reprezentacija podataka, filtriranje, konvolucija, interpolacija. Geometrijske operacije nad slikama, matematička morfologija, detekcija ivica, segmentacija slike, ekstrakcija obeležja iz slike. Osnovna znanja iz domena ekstrakcije informacija iz zvučnih zapisa i teksta. Tehnike estimacije kretanja, detekcija i praćenja objekata u videu. Relevantne metode učenja u sistemima sa dubokom arhitekturom (Deep Learning<-eng>) i primene ovih sistema za analizu velikih količina multimedijalnih podataka. Teorijsku nastavu će pratiti praktična obuka iz implementacije programskih rešenja (modela neuronskih mreža) u okruženjima OpenCV, Pythonscikit-image, Caffe, TensorFlow i PyTorch i na platformama za masivnu paralelnu obradu podataka u oblaku. Studenti će u okviru predmeta proći kroz radionicu NVIDIA DLI koja se bavi razvojem sistema koji rade sa različitim tipovima podataka (npr. tekst, slika i video).

Predavanja i laboratorijske vežbe, testovi i individualni zadatak (projekat). U okviru vežbi će studenti biti osposobljeni za implementaciju programskih rešenja u programskom okruženju OpenCV, Pythonscikit-image, Caffe, TensorFlow i PyTorch, kroz odgovarajuće radionice NVIDIA DLI. Usvajanje teoretskih znanja sa predavanja će se proveravati testovima i na usmenom ispitu, a individualni zadatak će uključivati praktičnu implementaciju sistema mašinskog učenja baziranih na dubokom učenju, odgovarajuće složenosti u saradnji sa kompanijama koje primenjuju duboko učenje i u okviru prakse na koju će primiti studente u koordinaciji sa predavačem kursa. Predispitne obaveze činiće uspešno završen i odbranjen samostalni predmetni projekat, kao i skupljen adekvatan broj bodova sa vežbi - uslov za izlazak na ispit je 25 od 50 bodova.