×
Универзитет у Новом Саду

Предмет: Емотивна вештачка интелигенција и афективно рачунарство (22.EAI061)

Основне информације:
 
Категорија Научно-стручни
Ужа научна област Информационо-комуникациони системи
ЕСПБ 6

Циљ предмета је упознавање студената са начинима коришћења метода и техника вештачке интелигенције и машинксог учења за анализу емоција људи и процесирње социјалних сигнала (обсервабилних понашања људи у социјалним интеракцијама, која су повезана и одражавау интерно емотивно стање људи). У оквиру курса студенти ће бити упознати са наутицајнијим приступима за анализу емоција базираних на класичним методама вештачке интелигенције, као и на дубоком учењу

Студенти ће по завршетку курса имати знања и вештине које ће им омогућити да користе технике класичне вештачке интелигенције и дубоког учења за решавање практичних проблема из домена информационих технологија. Поред тога стећи ће практичне вештине развоја програмских решења коришћењем OpenCV, scikit-learn, Caffe, TensorFlow и PyTorch окружења за развој система вештачке интелигенције.

Предмет ће покрити следеће области: детекцију лица, анализу израза лица. гестова и креатања људи у сликама и видеу, детекцију емоција на основу аудио записа говора, примену техника за анализу природног говора за детекцију осећања и мултимодалне приступе за процесирање социјалних сигнала у комплексним социјалним интеракцијама, засноване на истовременом процесирању звука и видеа. Теоријску наставу ће пратити практична обука из имплементације програмских решења у окружењима OpenCV, scikit-learn, Caffe, TensorFlow и PyTorch.

Предавања и лабораторијске вежбе, тестови и индивидуални задатак (пројекат). У оквиру вежби ће студенти бити оспособљени за имплементацију програмских решења у програмском окружењима OpenCV, scikit-learn, Caffe, TensorFlow и PyTorch. Усвајање теоретских знања са предавања ће се проверавати тестовима и на усменом испиту, а индивидуални задатак ће укључивати практичну имплементацију система машинског учења за анализу социјалних сигнала, одговарајуће сложености у сарадњи са компанијама које примењују дубоко учење и у оквиру праксе на коју ће примити студенте у координацији са предавачем курса. Предиспитне обавезе чиниће успешно завршен и одбрањен самостални предметни пројекат, као и скупљен адекватан број бодова са вежби - услов за излазак на испит је 25 од 50 бодова.

Аутори Назив Година Издавач Језик
Goodfellow, I., Bengio, Y., Courville, A. Deep Learning MIT Press 2017 MIT Press Енглески
Burgoon, N. Magnenat-Thalmann, M. Pantic, & A. Vinciarelli Social Signal Processing, Cambridge 2017 Cambridge University Press Енглески
Ћулибрк Д. Откривање знања из података: одабрана поглавља 2012 ЦреатеСпаце Српски језик
Предметна активност Предиспитна Обавезна Број поена
Предметна активност
Сложени облици вежби
Предиспитна
Да
Обавезна
Да
Број поена
30.00
Предметна активност
Тест
Предиспитна
Да
Обавезна
Да
Број поена
10.00
Предметна активност
Усмени део испита
Предиспитна
Не
Обавезна
Да
Број поена
30.00
Предметна активност
Пројектни задатак
Предиспитна
Да
Обавезна
Да
Број поена
30.00

Предавања

Рачунарске вежбе