Stranice predmeta

Teorijska nastava - Specifičnosti implementacije algoritama veštačke inteligencije i mašinskog učenja na hardverskim platformama sa ograničenim resursima. Pregled najčešćih primena tehnika veštačke inteligencije i mašinskog učenja u embeded sistemima. - Pregled tehnika koje se koriste prilikom razvoja novih ili prilagođenja postojećih algoritama mašinskog učenja za izvršavanje na embeded sistemima. - Tehnike sparsifikacije prediktivnih modela (stabala odluke, SVM, veštačkih neuronskih mreža). - Tehnike kvantizacije prediktivnih modela. - Tehnike kompresije prediktivnih modela. - Efikasne arhitekture konvolucionih neuronskih mreža namenjenih za izvršavanje na embeded sistema ograničenih performansi (MobileNet, SqueezeNet, EfficientNet, NASNet, itd.). - Automatsko generisanje arhitekture neuronskih mreža shodno krajnjim potrebama aplikacije i raspoloživim resursima unutar embeded sistema na kojem će se mreža izvršavati (Neural Architecture Search). - Projektovanje namenskih hardverskih arhitektura za efikasno izvršavanje algoritama veštačke inteligencije i mašinskog učenja. - Projektovanje memorijskog podsistema namenskog embeded sistema za izvršavanje algoritama veštačke inteligencije i mašinskog učenja. Organizacija memorijske hijerarhije, odabir načina sprezanja hardverskog akceleratora sa memorijom, načini za lokalno keširanje podataka. - Projektovanje hardverskog akceleratorskog bloka. Pregled različitih tehnika paralelizacije organizacije toka podataka koje se mogu koristiti. Razvoj arhitektura za izvršavanje sparsifikovanih modela mašinskog učenja. Razvoj arhitektura za dinamičku sparsifikaciju. Praktična nastava Računarske i laboratorijske vežbe koje prate ovaj kurs biće osmišljene na takav način da kroz praktičan rad sa postojećim sotverskim alatima za trening standardnih prediktivnih modela mašinkog i dubokog učenja (Scikit-Learn, Keras/TensorFlow, Tiny ML, itd.), uz eventualni dodatak posebnih paketa za sparsifikaciju, kvantizaciju i kompresiju, ilustruju sve teorijske koncepte koji će biti obrađivani na predavanjima. Neizostavni deo predmeta čini će samostalni studentski projekat, koji će od svakog studenta zahtevati da razvije jedan kompletan ugrađeni elektronski sistem koji će implementirati odabrani, prethodno prilagođeni, prediktivni model mašinskog učenja i demonstrirati njegov uspešan rad u ciljnoj aplikaciji. Ovaj projekat će po pravilu biti realizovan kroz saradnju sa kompanijama koje se bave primenom algoritama mašinskog učenja u oblastima obrade slike, videa, zvuka, itd.