Fakultet tehničkih nauka

Predmet: Mašinsko učenje sa grafovima (22.EAI038)

Osnovne informacije:
 
Kategorija Naučno-stručni
Uža naučna oblast Primenjene računarske nauke i informatika
ESPB 6

Osposobljavanje studenata za primenu tehnika istraživanja podataka i modela mašinskog učenja u svrhu proučavanja mreža i mrežnih struktura kao alata za modelovanje kompleksnih socijalnih, tehnoloških i bioloških sistema.

Student je upoznat sa tehnikama mašinskog učenja i alatima za analizu podataka koji pomažu pri shvatanju socijalnih, tehnoloških i prirodnih svetova, proučavajući njihovu osnovnu mrežnu strukturu i međusobne veze.

Upoznavanje sa strukturom grafova. Osobine mreža i nasumičnih graf modela (Random Graph Models). Strukturalne uloge u mrežama. Strukture zajednica u mrežama. Spektralno klasterovanje. Prenošenje poruka i klasifikacija čvorova. Učenje predstavljanja grafova (Graph Representation Learning). Grafovske neuronske mreže (Graph Neural Networks). Duboki generativni modeli za grafove (Deep Generative Models for Graphs). Analiza veza pomoću PageRank algoritma. Maksimizacija uticaja u mrežama. Detekcija naglih promena u mrežema (Outbreak Detection in Networks). Evolucija mreža. Grafovi znanja (Knowledge Graphs). Računarske i laboratorijske vežbe koje prate ovaj kurs su osmišljene na takav način da kroz praktičan rad sa postojećim softverskim alatima za trening standardnih prediktivnih modela mašinkog i dubokog učenja (Scikit-Learn, Keras/TensorFlow ), praktično primene teorijske koncepte koji će biti obrađivani na predavanjima. Neizostavni deo predmeta je samostalni studentski projekat, gde je ideja da student samostalno odabere problem koji se može modelovati putem grafa i rešiti primenom odgovarajućih tehnika mašinskog učenja sa grafovima. Student potom temeljno istražuje literaturu na datu temu kako bi utvrdio prednosti i nedostatke do tada predloženih rešenja i na osnovu toga, kroz konsultacije sa predavačima, koncipirao predlog projekta. Po završetku projekta, student prezentuje svoje istraživanje u okviru izveštaja

Predavanja se izvode uz prateće prezentacije. Praćena su računarskim vežbama koje će se oslanjati na programski jezik Python i druga odgovarajuća programska okruženja. Aktivno učenje kroz projekat i istraživanje relevantnih naučnih publikacija uz redovne konsultacije. Rad na realnim problemima iz oblasti mašinskog učenja

Autori Naziv Godina Izdavač Jezik
Bharath Ramsundar, Peter Eastman, Patrick Walters and Vijay Pande Deep Learning for the Life Sciences 2019 O‘Reilly Media, Inc. Engleski
Albert-Laszlo Barabasi Network Science 2015 Cambrdige University Press; Godina Engleski
William L. Hamilton Graph Representation Learning 2020 Morgan & Claypool Publishers Engleski
Predmetna aktivnost Predispitna Obavezna Broj poena
Predmetna aktivnost
Usmeni deo ispita
Predispitna
Ne
Obavezna
Da
Broj poena
30.00
Predmetna aktivnost
Predmetni projekat
Predispitna
Da
Obavezna
Da
Broj poena
50.00
Predmetna aktivnost
Domaći zadatak
Predispitna
Da
Obavezna
Da
Broj poena
20.00
Predavanja
Predavanja
Računarske vežbe
Računarske vežbe
Računarske vežbe