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 | Računarstvo i automatika (Godina: 1, Semestar: Zimski) |
Master akademske studije | Veštačka inteligencija i mašinsko učenje (Godina: 1, Semestar: Zimski) |
Master akademske studije | Informacioni i analitički inženjering (Godina: 1, Semestar: Zimski) |
Master akademske studije | Informacioni inženjering (Godina: 1, Semestar: Zimski) |
Master akademske studije | Informacioni inženjering (Godina: 1, Semestar: Zimski) |
Master akademske studije | Merenje i regulacija (Godina: 1, Semestar: Zimski) |
Master akademske studije | Informacioni i analitički inženjering (Godina: 1, Semestar: Zimski) |
Master akademske studije | Veštačka inteligencija i mašinsko učenje (Godina: 1, Semestar: Zimski) |
Master akademske studije | Merenje i regulacija (Godina: 1, Semestar: Zimski) |
Master akademske studije | Biomedicinsko inženjerstvo (Godina: 1, Semestar: Zimski) |
Kategorija | Naučno-stručni |
Uža naučna oblast | Automatika i upravljanje sistemima |
ESPB | 6 |
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 Usmeni deo ispita |
Predispitna Ne |
Obavezna Da |
Broj poena 50.00 |
Predmetna aktivnost Predmetni projekat |
Predispitna Da |
Obavezna Da |
Broj poena 50.00 |
prof. dr Kulić Filip
Redovni profesor
Predavanja
prof. dr Jeličić Zoran
Redovni profesor
Predavanja
doc. dr Bugarski Vladimir
Docent
Predavanja
Asistent Popović Anđela
Saradnik u nastavi