Navigacija

19M034ADO - Iterativni algoritmi za dinamičku optimizaciju

Specifikacija predmeta
Naziv Iterativni algoritmi za dinamičku optimizaciju
Akronim 19M034ADO
Studijski program Elektrotehnika i računarstvo
Modul
Tip studija master akademske studije
Nastavnik (predavač)
Nastavnik/saradnik (vežbe)
    Nastavnik/saradnik (DON)
    Broj ESPB 6.0 Status predmeta izborni
    Uslovljnost drugim predmetima -
    Ciljevi izučavanja predmeta Svrha kursa je upoznavanje sa iterativnim algoritmima za dinamičku optimizaciju i njihovom primenom u teoriji informacija, telekomunikacijama, veštačkoj inteligenciji i bioinformatici.
    Ishodi učenja (stečena znanja) Nakon kursa, studenti postaju upoznati sa principom rada i primenom iterativnih agoritama za dinamičku optimizaciju. Studenti će biti osposobljeni za implementaciju algoritama kao i za njihovu primenu na rešavanje problema vezanih za obradu i prenos informacija.
    Sadržaj predmeta
    Link ka stranici predmeta http://telit.etf.rs/kurs/algoritmi-za-dinamicku-optimizaciju/
    Link ka predavanjima https://teams.microsoft.com/l/team/19%3aLbcDlQyb2Tf0Q8zbDFkVwgkB5W9kv03KIk17E7UiT8U1%40thread.tacv2/conversations?groupId=d82f02e5-681b-4295-8c18-5feff907695b&tenantId=1774ef2e-9c62-478a-8d3a-fd2a495547ba
    Sadržaj teorijske nastave Modelovanje inženjerskih optimizacionih problema faktor gafovima. Konačni automati, Markovljeve i Bajesove mreže. Algoritam propagacije verodostojnosti. Iterativno dekodovanje turbo kodova i kodova sa proverama parnosti male gustine. Viterbijev i Baum-Velšov algoritam, primena pri ekvalizaciji kanala. Skriveni Markovljevi procesi. Iterativno učenje na grafovima. Algoritmi gradijentne optimizacije.
    Sadržaj praktične nastave Vežbe na računarima i pokazne vežbe. Rešavanje optimizacionih problema iz teorije informacija i srodnih oblasti inženjerstva. Domaći zadaci iz obrađivanih tema.
    Literatura
    1. D. J.C. MecKay, Information Theory, Inference, and Learning Algorithms, Cambridge University Press, 2003
    2. T. Richardson, R. Urbanke, Modern Coding Theory, Cambridge University Press, 2009
    3. T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer, 2009
    4. T. Cormen, C. Leiserson, R. Rivest, C. Stein, Introduction to Algorithms, 2nd edition, The MIT Press, 2001.
    5. P. Ivanis, D. Drajic, Information Theory and Coding - Solved Problems, Springer, New York, 2017
    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 i auditorne vežbe. Domaći zadaci u formi pisanja eseja, projekata i računskih zadataka.
    Ocena znanja (maksimalni broj poena 100)
    Predispitne obaveze Poena Završni ispit Poena
    Aktivnosti u toku predavanja 0 Pismeni ispit 60
    Praktična nastava 40 Usmeni ispit 0
    Projekti 0
    Kolokvijumi 0
    Seminari 0