13S053NM - Neuralne mreže

Specifikacija predmeta
Naziv		Neuralne mreže
Akronim		13S053NM
Studijski program		Softversko inženjerstvo
Modul
Tip studija		osnovne akademske studije
Nastavnik (predavač)		prof. dr Goran Kvaščev prof. dr Aleksandar Rakić
Nastavnik/saradnik (vežbe)		as. ms Marija Novičić, dipl. inž. el. i rač. as. Aleksa Stojić, dipl. inž. el. i rač.
Nastavnik/saradnik (DON)		as. ms Marija Novičić, dipl. inž. el. i rač. as. Aleksa Stojić, dipl. inž. el. i rač.
Broj ESPB		6.0	Status predmeta	izborni
Uslovljnost drugim predmetima		nema
Ciljevi izučavanja predmeta		Upoznavanje studenata sa osnovnim konceptima neuralnih mreža i fuzzy logičkih sistema. Predstavljanje različitih arhitektura, metoda projektovanja, podešavanja i implementacije.
Ishodi učenja (stečena znanja)		Studenti će biti sposobni da samostalno analiziraju i sintetizuju različite tipove neuralnih mreža i fuzzy logičkih sistema za različite inženjerske aplikacije, uključujući obradu signala, projektovanje upravljanja, klasifikaciju, regresiju, ekstrakciju znanja. Takođe će naučiti da razvijaju i implementiraju takve sisteme koristeći savremena programska okruženja (Matlab i Python).
Sadržaj predmeta
Link ka stranici predmeta		https://automatika.etf.bg.ac.rs/sr/13s053nm
Link ka predavanjima		https://teams.microsoft.com/l/team/19%3A7DKtyaHlNjhIkLubbWS8sY3TNkRdHWH3qo4teylczJc1%40thread.tacv2/conversations?groupId=250b2628-1f27-4888-8655-417fdb05f4a8&tenantId=1774ef2e-9c62-478a-8d3a-fd2a495547ba
Sadržaj teorijske nastave		Razvoj neuralnih mreža, arhitektura i problemi. Aproksimacija funkcija, grupisanje podataka, vremenske serije i modeliranje dinamičkih sistema. Backpropagation, generalizacija, pretreniranje i inicijalizacija. Klasifikacija i grupisanje. Dinamičke mreže. Duboke mreže. Konvolucione mreže. LSTM. Koncepti fuzzy logike. Mamdanijev i Sugenov model mašine. Projektovanje i podešavanje fuzzy sistema.
Sadržaj praktične nastave		Vežbe na računarima za projektovanje i analizu neuralnih mreža i fuzzy logike. Rešavanje praktičnih problema iz različitih oblasti inženjerstva korišćenjem savremenih programskih okruženja (Matlab i Python).
Literatura
Neural Fuzzy Systems: A Neuro-Fuzzy Synergism to Intelligent Systems, Chin-Teng Lin, C. S. George Lee, Prentice Hall, 1996 Deep Learning, Ian Goodfellow, Yoshua Bengio, Aaron Courville, The MIT Press, 2017 Grokking Deep Learning, Andrew Trask, Manning, 2019 Deep Learning with Python, 2nd Edition, Francois Chollet, Manning, 2021 T. J. Ross, Fuzzy Logic with Engineering Applications, 3rd ed. Hoboken, NJ, USA: Wiley, 2010.
Broj časova aktivne nastave nedeljno tokom semestra/trimestra/godine
Predavanja	Vežbe	DON	Studijski i istraživački rad	Ostali časovi
2	2	1
Metode izvođenja nastave		Predavanja, vežbe na računarima
Ocena znanja (maksimalni broj poena 100)
Predispitne obaveze		Poena	Završni ispit	Poena
Aktivnosti u toku predavanja		0	Pismeni ispit	30
Praktična nastava		0	Usmeni ispit	0
Projekti		30
Kolokvijumi		40
Seminari		0