Навигација

19М034ВИМ - Вештачка интелигенција у мобилним системима

Спецификација предмета
НазивВештачка интелигенција у мобилним системима
Акроним19М034ВИМ
Студијски програмЕлектротехника и рачунарство
Модулмодул Аудио и видео технологије, модул Биомедицински и еколошки инжењеринг, модул Електроенергетски системи Смер - Мреже и системи, модул Електроенергетски системи Смер - Обновљиви извори енергије, модул Електроенергетски системи Смер - Постројења и опрема, модул Електроника и дигитални системи, модул Енергетска ефикасност, модул Информационо комуникационе технологије, модул Микроталасна техника, модул Наноелектроника и фотоника, модул Примењена математика, модул Рачунарска техника и информатика, модул Сигнали и системи, модул Софтверско инжењерство
Тип студијамастер академске студије
Наставник (предавач)
Наставник/сарадник (вежбе)
Наставник/сарадник (ДОН)
Број ЕСПБ6.0Статус предметаизборни
Условљност другим предметимаРадио системи
Циљеви изучавања предметаMобилне мреже постале су део нашег живота, док употреба вештачке интелигенције (АИ) у њима убрзано расте. Циљ курса је да пружи увод у АИ проблеме и технике. Корак по корак, уводе се следеће АИ технике: учење под надзором, учење без надзора и учење уз помоћ. Објашњава се како се ове технике могу користити у оквиру бежичних система, посебно у дизајнирању и оптимизацији будућих мобилних мрежа.
Исходи учења (стечена знања)Очекује се да студент који заврши овај курс може да: * разуме основне концепте различитих техника вештачке интелигенције, * разуме могућост примене машинског учења у различитим сегментима једне мобилне мреже, * овлада основним алгоритмима и програмским алатима за примену техника машинског учења на конкретним проблемима.
Садржај предмета
Садржај теоријске наставеПреглед основних концепата вештачке инетелигенције и машинског учења. Основни типови машинског учења (unsupervised, reinforcement, supervised, semi-supervised). Класификација, регресија, кластеризација. Методе валидације. Overfitting проблем. Veštačke neuralne mreže. Deep Learning. Konvolucione neuralne mreže. Support Vector Machines. Примери примене из домена мобилних мрежа.
Садржај практичне наставеПредвиђено је да студенти имају више развојних пројеката.
Литература
  1. Haesik Kim, Artificial Intelligence for 6G, Springer International Publishing, 2022
  2. Yuanming Shi, Kai Yang, Zhanpeng Yang, Yong Zhou, Mobile Edge Artificial Intelligence Opportunities and Challenges, Elsevier, 2021.
  3. Ian Goodfellow, Yoshua Bengio, Aaron Courville, Deep Learning, MIT Press, 2016.god
  4. Hassoun M., Fundamentals of Artificial Neural Networks. Massachusetts MA: The MIT Press; 2003.
Број часова активне наставе недељно током семестра/триместра/године
ПредавањаВежбеДОНСтудијски и истраживачки радОстали часови
311
Методе извођења наставеПредавања и вежбе се држе кроз PowerPoint презентације и рад на табли. Практична настава се држи у лабораторији и подразумева вежбе показног типа, као и самосталан рад студената.
Оцена знања (максимални број поена 100)
Предиспитне обавезеПоенаЗавршни испитПоена
Активности у току предавањаПисмени испит30
Практична наставаУсмени испит
Пројекти
Колоквијуми
Семинари70