Странице предмета

Теоријска настава - Специфичности имплементације алгоритама вештачке интелигенције и машинског учења на хардверским платформама са ограниченим ресурсима. Преглед најчешћих примена техника вештачке интелигенције и машинског учења у ембедед системима. - Преглед техника које се користе приликом развоја нових или прилагођења постојећих алгоритама машинског учења за извршавање на ембедед системима. - Технике спарсификације предиктивних модела (стабала одлуке, СВМ, вештачких неуронских мрежа). - Технике квантизације предиктивних модела. - Технике компресије предиктивних модела. - Ефикасне архитектуре конволуционих неуронских мрежа намењених за извршавање на ембедед система ограничених перформанси (MobileNet, SqueezeNet, EfficientNet, NASNet, итд.). - Аутоматско генерисање архитектуре неуронских мрежа сходно крајњим потребама апликације и расположивим ресурсима унутар ембедед система на којем ће се мрежа извршавати (Neural Architecture Search). - Пројектовање наменских хардверских архитектура за ефикасно извршавање алгоритама вештачке интелигенције и машинског учења. - Пројектовање меморијског подсистема наменског ембедед система за извршавање алгоритама вештачке интелигенције и машинског учења. Организација меморијске хијерархије, одабир начина спрезања хардверског акцелератора са меморијом, начини за локално кеширање података. - Пројектовање хардверског акцелераторског блока. Преглед различитих техника паралелизације организације тока података које се могу користити. Развој архитектура за извршавање спарсификованих модела машинског учења. Развој архитектура за динамичку спарсификацију. Практична настава Рачунарске и лабораторијске вежбе које прате овај курс биће осмишљене на такав начин да кроз практичан рад са постојећим сотверским алатима за тренинг стандардних предиктивних модела машинког и дубоког учења (Scikit-Learn, Keras/TensorFlow, Tiny ML, итд.), уз евентуални додатак посебних пакета за спарсификацију, квантизацију и компресију, илуструју све теоријске концепте који ће бити обрађивани на предавањима. Неизоставни део предмета чини ће самостални студентски пројекат, који ће од сваког студента захтевати да развије један комплетан уграђени електронски систем који ће имплементирати одабрани, претходно прилагођени, предиктивни модел машинског учења и демонстрирати његов успешан рад у циљној апликацији. Овај пројекат ће по правилу бити реализован кроз сарадњу са компанијама које се баве применом алгоритама машинског учења у областима обраде слике, видеа, звука, итд.