×
Универзитет у Новом Саду

Предмет: Моделирање и оптимизација учењем из података (17.E2515)

Матичне организационе јединице предмета: Одсек за аутоматику, геоматику и управљање системима

Основне информације:
 
Категорија Научно-стручни
Ужа научна област Аутоматика и управљање системима
ЕСПБ 6

Студенти ће овладати савременим техникама моделирања и оптимизације учењем из података. Студенти ће овладати знањима и вештинама које су неопходне да се одговарајући рачунарски модели за класификацију, регресију, издвајање обележја, и сл. обучи на датом скупу података. Применом већег броја различитих, напредних оптимизационих алгоритама студенти ће овладати техникама обуке плитких и дубоких неуронских мрежа, алгоритама вектора подршке (енг. Support Vector Machines) и других савремених рачунских модела.

Стечена знања могу се користити у решавању конкретних инжењерских проблема класификације, регресије, груписања (анализе кластера), детекције аномалија, и сл. Студент је оспособљен да успешно имплементира и користи већи број различитих оптимизационих алгоритама и модела који се широко примењују у области вештачке интелигенције и машинског учења: линеарна, квадратна, логистичка и нелинеарна регресија, параметарске и непараметарске класификације и идентификације, алгоритми груписања. Студент је оспособљен да препозна када се могу применити ефикасни оптимизациони алгоритми локалног карактера, а када глобални (еволутивни) алгоритми. Савладани су принципи рада, технике имплементације и области примене генетског алгоритма и алгоритма оптимизације ројем честица.

Линеарна регресија и класификација. Квадратна регресија и класификација. Логистичка регресија. Нелинеарна регресија и класификација. Алгоритми издвајање обележја (анализа основних компоненти). Алгоритми груписања података (кластер анализа). Стохастички градијент и друге савремене модификације градијентних алгоритама (као што су алгоритми са фиксним и адаптивним моментом) са применама у обуци неуронских мрежа. Примена вештачких неуронских мрежа и алгоритама вектора подршке у регресији, класификацији и разврставању података. Елементи идентификације система. Конвексни оптимизациони алгоритми (квадратно програмирање, Њутнови и квази-Њутнови алгоритми). Лагранжева теорија дуалности са применама у оптимизацији са ограничењима. Глобални оптимизациони алгоритми (генетски алгоритам и алгоритам оптимизације ројем честица).

Предавања; Рачунске и рачунарске вежбе; Консултације. Испит је писмени и усмени. Писмени део испита је елиминаторан. Оцена испита се формира на основу успеха са колоквијума, домаћег задатка и успеха са писменог и усменог дела испита. Практична настава ће се на предмету обављати двојако: на рачунарским вежбама и кроз самосталне пројекте. У извођењу практичне наставе користиће се програмски језик Python, те повезани алати: NumPy, SciPy, scikit-learn. Кроз практичну наставу, студенти ће се самостално решавати проблеме непосредно везане за теоријске концепте, поступке и алгоритме који ће се обрађивати на теоријском делу наставе. Конкретно, студенти ће самостално имплементирати различите оптимизационе алгоритме, самостално ће обучавати различите моделе (као што су неуронске мреже и алгоритми вектора подршке), а такође ће и самостално решавати проблеме учења из података.

Аутори Назив Година Издавач Језик
R.L.Haupt; S.E.Haupt Practical Genetic Algorithms 2004 Wiley-Interscience Енглески
V.Kecman Learning and Soft Computing 2001 MIT Press Енглески
Жељко Кановић, Зоран Јеличић & Милан Рапаић Еволутивни оптимизациони алгоритми у инжењерској пракси 2017 ФТН Издаваштво, Нови Сад Српски језик
Mykel J. Kochenderfer & Tim A. Wheeler Algorithms for Optimization 2019 MIT Press Енглески
Предметна активност Предиспитна Обавезна Број поена
Предметна активност
Усмени део испита
Предиспитна
Не
Обавезна
Да
Број поена
50.00
Предметна активност
Предметни пројекат
Предиспитна
Да
Обавезна
Да
Број поена
50.00

проф. др Филип Кулић

Редовни професор

Предавања

API Image

проф. др Зоран Јеличић

Редовни професор

Предавања

Предавања

Рачунарске вежбе

Рачунарске вежбе