19M034VIM - Veštačka inteligencija u mobilnim sistemima

Specifikacija predmeta
Naziv		Veštačka inteligencija u mobilnim sistemima
Akronim		19M034VIM
Studijski program		Elektrotehnika i računarstvo
Modul		modul Audio i video tehnologije, modul Biomedicinski i ekološki inženjering, modul Elektroenergetski sistemi Smer - Mreže i sistemi, modul Elektroenergetski sistemi Smer - Obnovljivi izvori energije, modul Elektroenergetski sistemi Smer - Postrojenja i oprema, modul Elektronika i digitalni sistemi, modul Energetska efikasnost, modul Informaciono komunikacione tehnologije, modul Mikrotalasna tehnika, modul Nanoelektronika i fotonika, modul Primenjena matematika, modul Računarska tehnika i informatika, modul Signali i sistemi, modul Softversko inženjerstvo
Tip studija		master akademske studije
Nastavnik (predavač)		prof. dr Aleksandar Nešković
Nastavnik/saradnik (vežbe)		prof. dr Aleksandar Nešković as. ms Jelena Mladenović, dipl. inž. el. i rač. as. ms Marko Burdžić, dipl. inž. el. i rač.
Nastavnik/saradnik (DON)		ms Kristina Jovičić, dipl. inž. el. i rač. as. ms Jelena Mladenović, dipl. inž. el. i rač. as. ms Marko Burdžić, dipl. inž. el. i rač.
Broj ESPB		6.0	Status predmeta	izborni
Uslovljnost drugim predmetima		Radio sistemi
Ciljevi izučavanja predmeta		Mobilne mreže postale su deo našeg života, dok upotreba veštačke inteligencije (AI) u njima ubrzano raste. Cilj kursa je da pruži uvod u AI probleme i tehnike. Korak po korak, uvode se sledeće AI tehnike: učenje pod nadzorom, učenje bez nadzora i učenje uz pomoć. Objašnjava se kako se ove tehnike mogu koristiti u okviru bežičnih sistema, posebno u dizajniranju i optimizaciji budućih mobilnih mreža.
Ishodi učenja (stečena znanja)		Očekuje se da student koji završi ovaj kurs može da: * razume osnovne koncepte različitih tehnika veštačke inteligencije, * razume mogućost primene mašinskog učenja u različitim segmentima jedne mobilne mreže, * ovlada osnovnim algoritmima i programskim alatima za primenu tehnika mašinskog učenja na konkretnim problemima.
Sadržaj predmeta
Sadržaj teorijske nastave		Pregled osnovnih koncepata veštačke ineteligencije i mašinskog učenja. Osnovni tipovi mašinskog učenja (unsupervised, reinforcement, supervised, semi-supervised). Klasifikacija, regresija, klasterizacija. Metode validacije. Overfitting problem. Veštačke neuralne mreže. Deep Learning. Konvolucione neuralne mreže. Support Vector Machines. Primeri primene iz domena mobilnih mreža.
Sadržaj praktične nastave		Predviđeno je da studenti imaju više razvojnih projekata.
Literatura
Haesik Kim, Artificial Intelligence for 6G, Springer International Publishing, 2022 Yuanming Shi, Kai Yang, Zhanpeng Yang, Yong Zhou, Mobile Edge Artificial Intelligence Opportunities and Challenges, Elsevier, 2021. Ian Goodfellow, Yoshua Bengio, Aaron Courville, Deep Learning, MIT Press, 2016.god Hassoun M., Fundamentals of Artificial Neural Networks. Massachusetts MA: The MIT Press; 2003.
Broj časova aktivne nastave nedeljno tokom semestra/trimestra/godine
Predavanja	Vežbe	DON	Studijski i istraživački rad	Ostali časovi
3	1	1
Metode izvođenja nastave		Predavanja i vežbe se drže kroz PowerPoint prezentacije i rad na tabli. Praktična nastava se drži u laboratoriji i podrazumeva vežbe pokaznog tipa, kao i samostalan rad studenata.
Ocena znanja (maksimalni broj poena 100)
Predispitne obaveze		Poena	Završni ispit	Poena
Aktivnosti u toku predavanja			Pismeni ispit	30
Praktična nastava			Usmeni ispit
Projekti
Kolokvijumi
Seminari		70