19Е034АДО - Алгоритми за динамичку оптимизацију

Спецификација предмета
Назив		Алгоритми за динамичку оптимизацију
Акроним		19Е034АДО
Студијски програм		Електротехника и рачунарство
Модул
Тип студија		основне академске студије
Наставник (предавач)		доц. др Срђан Бркић проф. др Предраг Иваниш
Наставник/сарадник (вежбе)		доц. др Срђан Бркић
Наставник/сарадник (ДОН)		проф. др Предраг Иваниш доц. др Срђан Бркић
Број ЕСПБ		6.0	Статус предмета	изборни
Условљност другим предметима		нема
Циљеви изучавања предмета		Сврха курса је упознавање са основним алгоритмима за динамичку оптимизацију и њиховом применом у теорији информација и телекомуникацијама, као и у другим сродним областима где се изложени алгоритми користе, попут машинског учења и биоинформатике.
Исходи учења (стечена знања)		Након курса, студенти постају упознати са основним темама везаним за статистичко одлучивање применом итеративних агоритама за динамичку оптимизацију. Студенти ће бити оспособљени за имплементацију изложених графичких модела и алгоритама, као и за њихову примену у решавању проблема преноса и обраде информација.
Садржај предмета
Линк ка страници предмета		http://telit.etf.rs/kurs/algoritmi-za-dinamicku-optimizaciju/
Линк ка предавањима		https://teams.microsoft.com/l/team/19%3azlW6HJhRmZ7HNEQCXn0UyE9O8o_L6_a8BEhlv45qcHI1%40thread.tacv2/conversations?groupId=44a8c711-5d1e-4d51-b2ee-d668f066d574&tenantId=1774ef2e-9c62-478a-8d3a-fd2a495547ba
Садржај теоријске наставе		ML детекција, Витербијев и Баум-Велшов алгоритам. MAP детекција, BCJR алгоритам и његова примена при турбо декодовању и еквализацији. Марковљеве, неуралне и Бајесове мреже. Моделовање и декомпозиција оптимизационих проблема фактор гафовима. Итеративно учење на стаблима и графовима. Кодови са проверама парности мале густине и њихова представа помоћу графа. Алгоритам пропагације веродостојности.
Садржај практичне наставе		Вежбе на рачунарима уз демонстрације итеративних алгоритама за динамичку оптимизацију. Решавање практичних оптимизационих проблема из теорије информација и сродних области инжењерства. Домаћи задаци из обрађиваних тема.
Литература
D. J. C. MecKay, Information Theory, Inference, and Learning Algorithms, Cambridge University Press, 2003. T. Richardson, R. Urbanke, Modern Coding Theory, Cambridge University Press, 2009. D. Barber, Bayesian Reasoning and Machine Learning, Cambridge University Press, 2012. T. Cormen, C. Leiserson, R. Rivest, C. Stein, Introduction to Algorithms, 2nd edition, The MIT Press, 2001. P. Ivanis, D. Drajic, Information Theory and Coding - Solved Problems, Springer, New York, 2017.
Број часова активне наставе недељно током семестра/триместра/године
Предавања	Вежбе	ДОН	Студијски и истраживачки рад	Остали часови
2	2	1
Методе извођења наставе		Предавања и аудиторне вежбе. Домаћи задаци у форми писања есеја, пројеката и рачунских задатака.
Оцена знања (максимални број поена 100)
Предиспитне обавезе		Поена	Завршни испит	Поена
Активности у току предавања		0	Писмени испит	60
Практична настава		40	Усмени испит	0
Пројекти		0
Колоквијуми		0
Семинари		0