26E113TMU - Tehnike mašinskog učenja

Specifikacija predmeta
Naziv		Tehnike mašinskog učenja
Akronim		26E113TMU
Studijski program		Elektrotehnika i računarstvo
Modul		modul Računarska tehnika i informatika
Tip studija		osnovne akademske studije
Nastavnik (predavač)		prof. dr Boško Nikolić doc. dr Vladimir Jocović
Nastavnik/saradnik (vežbe)		as. ms Adrian Milaković, dipl. inž. el. i rač.
Nastavnik/saradnik (DON)		as. ms Adrian Milaković, dipl. inž. el. i rač.
Broj ESPB		6.0	Status predmeta	izborni
Uslovljnost drugim predmetima		Inteligentni sistemi
Ciljevi izučavanja predmeta		Upoznavanje studenata sa naprednim konceptima i tehnikama oblasti mašinskog učenja. Tokom kursa studenti će izučavati najpopularnije modele za projektovanje, implementaciju i testiranje ovakvih vrsta aplikacija u oblastima obrade teksta, računarske vizije, obrade govora, prepoznavanje oblika.
Ishodi učenja (stečena znanja)		Studenti će usvojiti napredne tehnike i metodologije mašinskog učenja. Kurs obuhvata neuralne mreže, konvolucione i rekurentne modele, kao i podešavanje hiperparametara. Glavni ishod je sticanje znanja i alata za rešavanje složenih problema veštačke inteligencije i mašinskog učenja u realnim scenarijima.
Sadržaj predmeta
Link ka stranici predmeta		http://ri.etf.bg.ac.rs/
Sadržaj teorijske nastave		Kurs obuhvata osnove, obučavanje i dizajn neuralnih mreža (regularizacija, optimizacija, hiperparametri). Razmatraju se CNN, RNN i transformatori, njihove primene u klasifikaciji, detekciji, NLP-u i prepoznavanju govora. Upoznaju se okviri TensorFlow, PyTorch i Keras, kao i primeri iz industrije i akademije.
Sadržaj praktične nastave		Simulacije teorijski obrađenih problema. Analiza i rešavanje praktičnih zadataka i demonstriranje kako savladati određene probleme tehnikama mašinskog i dubokog učenja. Praktičan rad sa alatima Tensorflow, PyTorch i Keras na primerima različitih skupova podataka za analizu teksta, slike, prepoznavanje oblika
Literatura
Deep Learning, Ian Goodfellow, Yoshua Bengio, Aaron Courville, The MIT Press, 2017 Neural Networks and Deep Learning, Michael Nielsen, Determination Press, 2019 Deep Learning with Python, 2nd Edition, Francois Chollet, Manning, 2021 Deep Learning for Natural Language Processing, Stephan Raaijmakers , Manning 2022
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, auditorne vežbe, samostalna izrada nekoliko domaćih zadataka, laboratorijske vežbe sa vizuelnim simulacijama.
Ocena znanja (maksimalni broj poena 100)
Predispitne obaveze		Poena	Završni ispit	Poena
Aktivnosti u toku predavanja			Pismeni ispit	30
Praktična nastava			Usmeni ispit
Projekti		40
Kolokvijumi		30
Seminari