Предмет: Дубоко учење у системима аутономних и умрежених возила (17.CEM822 )
Студијски програми предмета:
Степен и врста студија | Назив |
---|---|
Мастер академске студије | Рачунарство и аутоматика (Година: 1, Семестар: Зимски) |
Мастер академске студије | Вештачка интелигенција и машинско учење (Година: 2, Семестар: Зимски) |
Категорија | Стручно-апликативни |
Ужа научна област | Рачунарска техника и рачунарске комуникације |
ЕСПБ | 6 |
Изнети напредне теоретске и практичне аспекте дубоког учења и вешачке интелигенције са применом у аутономним и умреженим возилима.
Студент поседује детаљна знања о напредним теоретским и практичним аспектима дубоког учења и вештачких неуралних мрежа. Студент уме да имплементира моделе дубоког учења и примени их у домену аутономних и умрежених возила. Студент име да конструише ове моделе на вишепроцесорским платформа и програмским развојним алатима.
Дубоко учење припада домену вештачке интелигенције и машинског учења. Класификација слика, препознавање говора, медицинска дијагностика, контрола функција робота и возила су само неки од примера примене дубоког учења и вештачких неуралних мрежа. У овом предмету износимо следеће детаље:
• Контролна петља и нивои аутоматизације возила.
• Сензори, рачунарске платформе и актуатори у возилима. Умреженост возила.
• Архитектура обраде у аутномним возилима.
• Увод у машинско учење и његова веза са дубоким учењем.
• Архитектуре вештачких неуралних мрежа попут директних, конволуционих и рекурентних, као и њихове примене.
• Методе учења са и без надгледањем, као и специфичне итеративне адаптације током тренинга. Методе оптимизизације хиперпараметара ка успешнијој конвергенцији током тренинга.
• Учење са појачањем.
• Примене у аутономним возилима, како конволуционих тако и рекурентних мрежа у могућим комбинацијама са конвенционалним методама. Проучавање конкретних решења.
• Примене за препознавање објеката у саобраћају, саобраћајне сигнализације, предвиђање путања, фузија разнородних сензора (камера, лидара, радара...).
Блиско усклађено са предавачким делом, рачунарске вежбе користиће
Предавања која излажу теорију и алгоритме са анализом конкретних решења. Вежбе које имплеметирају и оптимизују вештачке неуралне мреже користећи актоелне програмске алате. Пројектни задатак који захтева рад на процесорској платформи намењеној ауто индустрији.
Аутори | Назив | Година | Издавач | Језик |
---|---|---|---|---|
2017 | Енглески | |||
2017 | Енглески | |||
2017 | Енглески | |||
2017 | Енглески | |||
Драган Самарџија и Милена Милошевић | Дубоко учење за аутономна возила | 2020 | Универзитет у Новом Саду, ФТН | Српски језик |
Предметна активност | Предиспитна | Обавезна | Број поена |
---|---|---|---|
Предметна активност Одбрана пројекта |
Предиспитна Да |
Обавезна Да |
Број поена 50.00 |
Предметна активност Писмени део испита - комбиновани задаци и теорија |
Предиспитна Не |
Обавезна Да |
Број поена 50.00 |

ванр. проф. др Жељко Лукач
Ванредни професор
Предавања

ванр. проф. др Жељко Лукач
Ванредни професор
Рачунарске вежбе
Асистент са докторатом др Милена Милошевић
Асистент са докторатом
Рачунарске вежбе