Fakultet tehničkih nauka

Predmet: Analiza procesa i podataka na mrežama (17.EK553)

Matične organizacione jedinice predmeta:
Osnovne informacije:
 
Kategorija Naučno-stručni
Uža naučna oblast Telekomunikacije i obrada signala
Multidisciplinarna Ne
ESPB 6
Cilj:

Cilj predmeta je da studenti ovladaju osnovnim konceptima i metodama za analizu procesa i podataka na mrežama, odgovarajućim softverskim alatima, na konkretnim primerima mreža iz različitih domena (društvenih, bioloških, tehnoloških, kao i podataka modelovanih mrežama).

Ishod:

Po uspešno završenom kursu studenti će moći da: 1) odaberu i primene odgovarajući teorijski alat da modeluju, analiziraju, i predlože rešenje za zadati praktičan problem iz domena mreža; 2) odaberu i primene naučene metode i algoritme u izabranom eksperimentalnom okruženju, da verifikuju validnost metoda i evaluiraju njegovu performansu.

Sadržaj:

Teorijska nastava Veliki broj sistema kako u prirodi tako i tehnoloških sadrži kompleksne interakcije između svojih sastavnih elemenata koje je neophodno modelovati na odgovarajući način u cilju njihove uspešne analize, dizajna i optimizacije. Primeri takvih sistema su i vodeći primeri iz domena veštačke inteligencije: autonomna vozila, mreže interakcija proteina, društvene mreže, Internet stvari i brojne druge. Ovaj predmet se bavi osnovnim alatima modelovanja i analize kompleksnih sistema-mreža. Uvod u teoriju grafova i algebarsku teoriju grafova, matrica pridruženosti i Laplasijan; Raspodela broja suseda i scale-free, osobina; Koeficijenti klasterizacije i centralnosti; Modeli formiranja mreža: Erdos-Renyi, Watts-Strogatz, Barabasi-Albert; Modelovanje podataka putem grafa; Zajednice u mrežama i algoritmi njihove detekcije, stohastički blok model; algoritmi mrežnog učenja (Konsenzus, difuzija); Grafovske neuralne mreže; Aktuelne primene u industriji; Prezentacija i diskusija studentskih projekata. Praktična nastava Studenti će steći iskustvo iz prve ruke u analizi podataka i procesa na mrežama kroz laboratorijske vežbe koristeći odgovarajuće Python softverske biblioteke (iGraph, NetworkX ). Takođe, teorijska znanja će biti ilustrovana i primenjena na vežbama i kroz studije slučaja [4]

Metodologija izvođenja nastave:

Lekcije, auditorne vežbe, studije slučaja, laboratorijske vežbe, domaći zadaci, projekat. Kurs je dizajniran da optimalno izbalansira matematički pristup, gde se detaljno i na kvantitativan način analiziraju pažljivo odabrane metode i modeli iz oblasti nauke o mrežama, sa vrlo praktičnim pristupom, koji se najpre ogleda u tome da će svaki uvedeni koncept biti motivisan i ilustrovan kroz konkretni primer iz realnih mreža. Dodatno, na svake dve nedelje jedan čas nastave biće posvećen studijama slučaja iz realnih mreža (WWW, finansijske mreže, Internet, itd.), sa akcentom na materiju koja se u tom trenutku obrađuje. Studenti će steći iskustvo iz prve ruke u analizi podataka i procesa na mrežama kroz laboratorijske vežbe u odgovarajućim softverskim okruženjima (MATLAB, Python), kao i na Raspberry Pi klasteru za distribuirano/mrežno mašinsko učenje, koje će se za svakog studenta tokom semestra profilisati u smeru odabranog studentskog projekta.

Literatura:
Autori Naziv Godina Izdavač Jezik
Albert-László Barabási Network Science 2016 online: http://networksciencebook.com Engleski
Ernesto Estrada, Philip Knight A First Course in Network Theory 2015 Oxford University Press Engleski
Dimitry Zinoviev Complex Network Analysis in Python 2018 Pragmatic Bookshelf; 1st edition Engleski
Guido Caldarelli, Alessandro Chessa Data Science and Networks: Real Cases Studies with Python 2016 Oxford University Press Engleski
Formiranje ocene:
Predmetna aktivnost Predispitna Obavezna Broj poena
Predmetni projekat Da Da 50.00
Pismeni deo ispita - kombinovani zadaci i teorija Ne Da 50.00
Izvođači nastave:
Predavanja
Računarske vežbe
Računarske vežbe
Auditorne vežbe