Univerzitet u Novom Sadu

Predmet: Duboko učenje i biološki inspirisani pristupi mašinskog učenja (17.IISD11)

Osnovne informacije:
 
Kategorija Naučno-stručni
Uža naučna oblast
  • Inženjerstvo informacionih sistema
  • Primenjene računarske nauke i informatika
  • Informaciono-komunikacioni sistemi
ESPB 10

Nastavni predmet je tehnički orijentisan i daje pregled aktuelnih tehnologija mašinskog učenja, sa ciljem da studente doktorskih studija, koji moraju imati osnovna prethodna znanja iz oblasti informacionih tehnologija i veštačke inteligencie, matematike, ili relevantne oblasti, upozna sa savremenim dostignućima u oblasti mašinskog učenja i veštačke inteligencije, sa naglaskom na biološki inspirisane pristupe, neuronske mreže i duboko učenje (Deep Learning). Studenti će ovladati teorijskim i praktičnim znanjima koja će im omogućiti primenu ovih tehnologija za analizu velikih količina multimodalnih podataka i dalji istraživački radu u oblasti mašinskog učenja, nauke o podacima (Data Science) i primene veštačke inteligencije u njihovim primarnim oblastima istraživanja.

Studenti će ovladati teorijskim i praktičnim znanjima koja će im omogućiti primenu predmetnih tehnologija za analizu velikih količina multimodalnih podataka i dalji istraživački rad u oblasti mašinskog učenja, nauke o podacima i primene veštačke inteligencije u njihovim primarnim oblastima istraživanja. Tokom kursa će imati priliku da se uključe u istraživački rad, sprovođenje eksperimenata i pripremu rezultata za publikaciju. Na kraju kursa studenti bi trebalo da imaju radnu verziju naučnog rada spremnu za podnošenje relevantnoj međunarodnoj naučnoj konferenciji.

Predmet će pokriti sledeće oblasti: napredne koncepte neuroonskih mreža I i II generacije, metode učenja u sistemima sa dubokom arhitekturom (Deep Learning) i primene sistema dubokog učenja za analizu velikih količina različitih tipova podataka, metode reprezentacije (kodovanja) podataka u neuromorfnim sistemima, osnovne i napredne metode nadgledanog i nenadgledanog učenja u ovakvim sistemima. Teorijsku nastavu će pratiti praktična obuka implementacije programskih rešenja (modela neuronskih mreža) u okruženjima Caffe, Tensorflow i PyTorch, kao i praktičan istraživaživački rad u okviru istraživačkih projekata koji se sprovode na fakultetu, koji će uključiti dizajn i sprovođenje eksperimenata, kao i pripremu rezultata za publikaciju.

Predavanja - mentorska ili grupna u zavisnosti od broja studenata, istraživački rad pod nadzorom, predmetni projekat i usmeni ispit.

Autori Naziv Godina Izdavač Jezik
Ćulibrk, D. Otkrivanje znanja iz podataka: odabrana poglavlja 2012 CreateSpace Srpski jezik
Goodfellow, I., Bengio, Y., Courville, A. Deep Learning 2017 MIT Press, Cambridge Engleski
Predmetna aktivnost Predispitna Obavezna Broj poena
Predmetna aktivnost
Usmeni deo ispita
Predispitna
Ne
Obavezna
Da
Broj poena
50.00
Predmetna aktivnost
Predmetni projekat
Predispitna
Da
Obavezna
Da
Broj poena
50.00
Predavanja
Studijski istraživački rad