Fakultet tehničkih nauka

Predmet: Embeded sistemi sa kontinuiranim učenjem (22.EAI036)

Osnovne informacije:
 
Kategorija Naučno-stručni
Uža naučna oblast Teorijska elektrotehnika
ESPB 6

Cilj predmeta je da studente upozna sa osnovama kontinuiranog mašinskog učenja (Lifelong Machine Learning) i srodnih vidova mašinskog učenja adekvatnih za primenu unutar ugrađenih elektronskih sistema (Embedded Systems). Klasično mašinsko učenje, poznato kao ML 1.0, iako vrlo uspešno, ima svoja ograničenja: a) znanje nije kumulativno, b) bez memorije je (ne može se zadržati), i c) zbog nedostatka prethodnog znanja, potreban je veliki broj primera za obuku/učenje. Za razliku od ML 1.0, ljudsko učenje odlikuju sledeće dve karakteristike: a) čovek nikad ne uči u izolaciji, i b) učimo efikasno iz nekoliko primera, uz pomoć prethodnog znanja. Ova paradigma učenja se naziva ML 2.0, odnosno LML. Kontinuirano učenje rešavanja više zadataka istovremeno ili inkrementalno, kao što to rade ljudi, uz pamćenje (akumulaciju) naučenih međukoraka i finalnih rešenja prethodnih zadataka, da bi se ona mogla iskoristiti u budućem učenju.

Nakon uspešnog završetka ovog kursa studenti će biti sposobni da: - Razumeju osnovnu strukturu i funkciju kontinuiranog učenja i njemu srodnih vrsta učenja - Odaberu i razviju algoritme kontinuiranog učenja i njemu srodnih vrsta učenja - Izvrše pripremu zadataka i njihovih trening skupova za obučavanje projektovane kontinuirano učeće neuralne mreže - Odaberu način na koji će biti izvršeno obučavanje kontinualno učeće neuralne mreže - Razviju simulacioni model odabrane kontinualno-učeće neuralne mreže u MatLab programskom okruženju, ili implementiraju odabrani algoritam kontinualnog obučavanja u jednom od softverskih alata za rad sa kontinualno učećim neuralnim mrežama (npr. ELLA Framework, NELL , ili slično) - Analiziraju rezultate dobijene u procesu obučavanja u nekom od softverskih alata, kao što su DeepMind Lab, OpenAI Gym ili MatLab Neural Networks Toolbox i Statistics and Machine Learning Toolbox

Teorijska nastava - Kontinualno mašinsko učenje: motivišući primeri, kratka istorija, definicija, tipovi znanja, metode evaluacije - Sličnosti i razlike kontinualnog mašinskog učenja sa srodnim paradigmama učenja: Transfer Learning, Multi-Task Learning, Incremental Learning, Online Learning, Meta-Learning, Few Shot Learning, One Shot Learning - Nadzirano kontinualno mašinsko učenje - Kontinualno učenje bez katastrofalnog zaboravljanja - Inkrementalno i onlajn kontinualno učenje u otvorenom okruženju - Kontinualno modelovanje tema (eng. Lifelong Topic Modeling) - Kontinualna ekstrakcija informacija - Kontinualno učenje sa nagrađivanjem (eng. Lifelong Reinforcement Learning) - Multi-task učenje - Transfer učenje - Few Shot i One Shot učenje - Metaučenje - Adaptivna rezonantna teorija Praktična nastava Računarske i laboratorijske vežbe koje prate ovaj kurs će biti koncipirane na takav način da kroz praktičan rad sa postojećim sotverskim alatima za simulaciju i obučavanje neuralnih mreža, ilustruju sve teorijske koncepte koji će biti obrađivani na predavanjima. Deo praktične nastave je samostalni studentski projekat, u okvirima koga će svaki student programski implementirati simulacioni model odabranog koncepta kontinualnog učenja u softveru, i/ili kompletan model kontinualno-učeće neuralne mreže u hardveru (ugrađenom elektronskom sistemu). Ovaj projekat će po pravilu biti realizovan kroz saradnju sa kompanijama koje se bave primenom neuralnih mreža u oblastima obrade slike, videa, zvuka, itd.

Predavanja se izvode uz PowerPoint prezentacije. Praćena su računarskim i laboratorijskim vežbama u Laboratoriji za diskretne sisteme i algoritme na FTN. Kompanije koje se bave primenom neuralnih mreža, kao i razvojem ugrađenih elektronskih sistema baziranih na neuralnim mrežama primaće studente na praksu, i omogućiće izradu samostalnih studentskih projekata. Predispitne obaveze činiće uspešno završen i odbranjen samostalni studentski projekat - uslov za izlazak na ispit je 25 od 50 bodova. Kroz kolokvijum na polovini semestra i u prvom ispitnom roku nakon završetka slušanja predmeta može se položiti prvi i drugi deo teorijskog ispita. Teorijski deo ispita polagaće se u redovnim ispitnim rokovima.

Autori Naziv Godina Izdavač Jezik
Y. Wang, Q. Yao, J. T. Kwok, L. M., Ni Generalizing from a Few Examples: A Survey on Few-Shot Learning 2020 Association for Computing Machinery Engleski
German I. Parisi, Ronald Kemker, Jose L. Part, Christopher Kanan, Stefan Wermter Continual Lifelong Learning with Neural Networks: A Review 2019 arXiv:1802.07569v4 [cs.LG] Engleski
Timothy Hospedales, Antreas Antoniou, Paul Micaelli, Amos Storkey Meta-Learning in Neural Networks: A Survey 2020 arXiv:2004.05439v1 [cs.LG] Engleski
Yu Zhang, Qiang Yang A Survey on Multi-Task Learning 2018 arXiv:1707.08114v2 [cs.LG] Engleski
Q. Yang, Y. Zhang, W. Dai and S.J. Pan Transfer Learning 2020 Cambridge University Press Engleski
Zhiyuan Chen, Bing Liu Lifelong Machine Learning, 2nd Ed. 2018 Morgan & Claypool Publishers Engleski
Predmetna aktivnost Predispitna Obavezna Broj poena
Predmetna aktivnost
Kolokvijum
Predispitna
Ne
Obavezna
Ne
Broj poena
25.00
Predmetna aktivnost
Kolokvijum
Predispitna
Ne
Obavezna
Ne
Broj poena
25.00
Predmetna aktivnost
Prezentacija
Predispitna
Da
Obavezna
Da
Broj poena
10.00
Predmetna aktivnost
Predmetni projekat
Predispitna
Da
Obavezna
Da
Broj poena
40.00
Predmetna aktivnost
Pismeni deo ispita - kombinovani zadaci i teorija
Predispitna
Ne
Obavezna
Da
Broj poena
50.00
Predavanja
Predavanja
Predavanja
Računarske vežbe
Računarske vežbe
Računarske vežbe
Računarske vežbe