Predmet: Modeliranje i optimizacija učenjem iz podataka (17.E2515 )
Matične organizacione jedinice predmeta: Odsek za automatiku, geomatiku i upravljanje sistemima
Studijski programi predmeta:
| Stepen i vrsta studija | Naziv |
|---|---|
| Master akademske studije | Merenje i regulacija (Godina: 1, Semestar: Zimski) |
| Master akademske studije | Računarstvo i automatika (Godina: 1, Semestar: Zimski) |
| Master akademske studije | Veštačka inteligencija i mašinsko učenje (Godina: 1, Semestar: Zimski) |
| Master akademske studije | Biomedicinsko inženjerstvo (Godina: 1, Semestar: Zimski) |
| Master akademske studije | Informacioni i analitički inženjering (Godina: 1, Semestar: Zimski) |
| Master akademske studije | Informacioni inženjering (Godina: 1, Semestar: Zimski) |
Studenti će ovladati savremenim tehnikama modeliranja i optimizacije učenjem iz podataka. Studenti će ovladati znanjima i veštinama koje su neophodne da se odgovarajući računarski modeli za klasifikaciju, regresiju, izdvajanje obeležja, i sl. obuči na datom skupu podataka. Primenom većeg broja različitih, naprednih optimizacionih algoritama studenti će ovladati tehnikama obuke plitkih i dubokih neuronskih mreža, algoritama vektora podrške (eng.
Stečena znanja mogu se koristiti u rešavanju konkretnih inženjerskih problema klasifikacije, regresije, grupisanja (analize klastera), detekcije anomalija, i sl. Student je osposobljen da uspešno implementira i koristi veći broj različitih optimizacionih algoritama i modela koji se široko primenjuju u oblasti veštačke inteligencije i mašinskog učenja: linearna, kvadratna, logistička i nelinearna regresija, parametarske i neparametarske klasifikacije i identifikacije, algoritmi grupisanja. Student je osposobljen da prepozna kada se mogu primeniti efikasni optimizacioni algoritmi lokalnog karaktera, a kada globalni (evolutivni) algoritmi. Savladani su principi rada, tehnike implementacije i oblasti primene genetskog algoritma i algoritma optimizacije rojem čestica.
Linearna regresija i klasifikacija. Kvadratna regresija i klasifikacija. Logistička regresija. Nelinearna regresija i klasifikacija. Algoritmi izdvajanje obeležja (analiza osnovnih komponenti). Algoritmi grupisanja podataka (klaster analiza). Stohastički gradijent i druge savremene modifikacije gradijentnih algoritama (kao što su algoritmi sa fiksnim i adaptivnim momentom) sa primenama u obuci neuronskih mreža. Primena veštačkih neuronskih mreža i algoritama vektora podrške u regresiji, klasifikaciji i razvrstavanju podataka. Elementi identifikacije sistema. Konveksni optimizacioni algoritmi (kvadratno programiranje, Njutnovi i kvazi-Njutnovi algoritmi). Lagranževa teorija dualnosti sa primenama u optimizaciji sa ograničenjima. Globalni optimizacioni algoritmi (genetski algoritam i algoritam optimizacije rojem čestica).
Predavanja; Računske i računarske vežbe; Konsultacije. Ispit je pismeni i usmeni. Pismeni deo ispita je eliminatoran. Ocena ispita se formira na osnovu uspeha sa kolokvijuma, domaćeg zadatka i uspeha sa pismenog i usmenog dela ispita.
Praktična nastava će se na predmetu obavljati dvojako: na računarskim vežbama i kroz samostalne projekte. U izvođenju praktične nastave koristiće se programski jezik
| Autori | Naziv | Godina | Izdavač | Jezik |
|---|---|---|---|---|
| Željko Kanović, Zoran Jeličić & Milan Rapaić | Evolutivni optimizacioni algoritmi u inženjerskoj praksi | 2017 | FTN Izdavaštvo, Novi Sad | Srpski jezik |
| 2019 | Engleski | |||
| 2001 | Engleski | |||
| 2004 | Engleski |
| Predmetna aktivnost | Predispitna | Obavezna | Broj poena |
|---|---|---|---|
| Predmetna aktivnost Predmetni projekat |
Predispitna Da |
Obavezna Da |
Broj poena 50.00 |
| Predmetna aktivnost Usmeni deo ispita |
Predispitna Ne |
Obavezna Da |
Broj poena 50.00 |
prof. dr Filip Kulić
Redovni profesor
Predavanja
prof. dr Zoran Jeličić
Redovni profesor
Predavanja
doc. dr Vladimir Bugarski
Docent
Predavanja
doc. dr Vladimir Bugarski
Docent
Računarske vežbe
Asistent Jelena Hrnjak
Asistent
Računarske vežbe
