Fakultet tehničkih nauka

Predmet: Distribuirana obrada signala (17.EK555)

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

Cilj predmeta je da se studenti upoznaju sa osnovnim principima, vrstama i metodama distribuirane obrade podataka.

Ishod:

Po uspešno završenom kursu, student će umeti samostalno da: 1) postavi i reši problem dizajna sistema za distribuiranu obradu signala za zadate specifikacije sistema; i 2) da koncipira i implementira primenom odgovarajućeg softverskog alata algoritam za rešavanje zadatog problema distribuirane obrade signala.

Sadržaj:

- motivacija i primeri primene distribuirane obrade podataka: obrada velikih količina podataka u (big data analytics), obrada podataka blizu izvora (vehicle-to-vehicle mreže) - vrste arhitekture za distribuiranu obradu signala i njihove primene: fusion centar sistemi, obrada putem razapinjućeg stabla, klasterizovanje mreže, potpuno distribuirane metode (consensus, message passing) - principske metode adresiranja trade-off-a između performanse i količine resursa (komunikacija, memorija, računarska snaga) - distribuirano usrednjavanje (gossip, consensus) sa primenama: koordinacija autonomnih agenata (roboti, bespilotne letelice), agregacija podataka u ad-hoc mrežama, estimacija, podrutina u distribuiranoj optimizaciji - distribuirano zaključivanje i dizajn zasnovan na oponašanju bioloških sistema sa primenama u detekciji i estimaciji - distribuirana optimizacija: gradijentni metodi, dualni metodi, dualna dekompozicija, alternating direction method of multipliers, primal dual method of multipliers, sa primenama. Kurs će pomenuti i neke aktuelne trendove bliske temi kursa, kao što su graph signal processing i obrada podataka sa očuvanjem privatnosti.

Metodologija izvođenja nastave:

Predavanja su u formi PowerPoint prezentacija, dostupnih studentima za samostalno učenje. Svako predavanje je praćeno testom koji će se grupno rešavati i diskutovati na samom predavanju, sa izuzetkom dva testa koje će studenti samostalno izrađivati na času i koji predstavljaju predispitnu obavezu. Testovi su u formi kratkih pitanja koja imaju za cilj da razjasne koncepte obrađivane na datom času, ilustruje primere primene, itd. Vežbe (većinom auditornog tipa) sinhrono prate predavanja tokom celog kursa. Na vežbama će se rešavati odgovarajući teorijski problemi (zadaci) i demonstrirati rešenja u odgovarajućim softverskim alatima. Određen broj termina vežbi je posvećen i praktičnom radu studenata sa softverskim alatima, što ujedno predstavlja i predispitnu obavezu.

Literatura:
Autori Naziv Godina Izdavač Jezik
S. Boyd, N. Parikh, E. Chu, B. Peleato, and J. Eckstein Distributed Optimization and Statistical Learning via the Alternating Direction Method of Multipliers 2011 Foundations and Trends in Machine Learning, 3(1):1–122 Engleski
Dimitri P. Bertsekas, John. N. Tsitsiklis<\eng> Parallel and Distributed Computation: Numerical Methods<\eng> 1989 Prentice Hall<\eng> Engleski
Dragana Bajović PowerPoint prezentacije sa predavanja 2017 Interni materijal Srpski jezik
Dimitri P. Bertsekas Nonlinear Programming 2016 Athena Scientific; 3rd edition Engleski
Formiranje ocene:
Predmetna aktivnost Predispitna Obavezna Broj poena
Složeni oblici vežbi Da Da 10.00
Predmetni projekat Da Da 40.00
Pismeni deo ispita - kombinovani zadaci i teorija Ne Da 30.00
Test Da Da 20.00
Izvođači nastave:
Predavanja
Predavanja
Laboratorijske vežbe
API Image

Popović Branislav

viši naučni saradnik

Auditorne vežbe
API Image

Popović Branislav

viši naučni saradnik

Laboratorijske vežbe
Auditorne vežbe