Предмет: Моделирање и оптимизација учењем из података (17.E2515 )
Матичне организационе јединице предмета: Одсек за аутоматику, геоматику и управљање системима
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: 1, Семестар: Зимски) |
| Мастер академске студије | Информациони инжењеринг (Година: 1, Семестар: Зимски) |
| Мастер академске студије | Мерење и регулација (Година: 1, Семестар: Зимски) |
| Мастер академске студије | Биомедицинско инжењерство (Година: 1, Семестар: Зимски) |
| Мастер академске студије | Информациони и аналитички инжењеринг (Година: 1, Семестар: Зимски) |
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.
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
| Аутори | Назив | Година | Издавач | Језик |
|---|---|---|---|---|
| 2019 | Енглески | |||
| 2004 | Енглески | |||
| 2001 | Енглески | |||
| Жељко Кановић, Зоран Јеличић & Милан Рапаић | Еволутивни оптимизациони алгоритми у инжењерској пракси | 2017 | ФТН Издаваштво, Нови Сад | Српски језик |
| 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
проф. др Зоран Јеличић
Редовни професор
Предавања
доц. др Владимир Бугарски
Доцент
Предавања
доц. др Владимир Бугарски
Доцент
Рачунарске вежбе
Асистент Јелена Хрњак
Асистент
Рачунарске вежбе
