Primenjena veštačka inteligencija

Upoznavanje studenata sa osnovama računarstva, što predstavlja preduslov za proučavanje organizacije i arhitekture računara. Sagledavanje osnovnih koncepata implementiranih u računaru, principa njegovog funkcionisanja i načina realizacije. Isticanje razlike između organizacije i arhitekture računara kroz ovladavanje njihovim najbitnijim aspektima. Ukazivanje na mesto koje veštačka inteligencija i nauka o podacima zauzimaju u oblasti računarstva. Vrste i tipovi aplikativnog softvera i razlike između aplikativnog i sistemskog softvera. Aplikativni softver koji u bekendu koristi veštačku inteligenciju.

Osnovni cilj ovog predmeta je da se studenti upoznaju sa osnovnim principima i konceptima programiranja kroz programski jezik Python. Studenti će steći teorijska i praktična znanja i razumevanje osnova programiranja kroz Python. Na kraju kursa, studenti će se takođe upoznati i sa osnovama objektno-orijentisanog pristupa programiranju.

Sticanje teorijskih i praktičnih znanja o principima, tehnologijama i alatima koji se koriste u upravljanju velikim količinama podataka. Osposobljavanje za efikasno modelovanje, implementaciju i održavanje baza podataka i sistema za obradu velikih podataka. Kroz ovaj predmet, studenti će razumeti koncepte baza podataka i njihovu ulogu u organizaciji i upravljanju podacima, naučiti da projektuju, implementiraju i održavaju baze podataka uzimajući u obzir skalabilnost, performanse, dostupnost i bezbednost. Dalje, da koriste alate i tehnologije za obradu velikih količina podataka, kao što su NoSQL baze, Hadoop, Spark itd.

Upoznavanje sa osnovama diskretne matematike i algoritama neophodnim za oblast veštačke inteligencije; sticanje savremenih matematičkih znanja i veština za oblasti veštačke inteligencije i mašinskog učenja.

Ovladavanje osnovama linearne algebre neophodnim u oblasti mašinskog učenja, kao i diferencijalnim i integralnim računom. Cilj predmeta je da studente upozna s osnovnim matematičkim idejama i alatima koje koriste metode, algoritmi i tehnike veštačke inteligencije. Ovaj kurs upoznaje studente sa osnovama teorije matrica koje su neophodne za analizu linearnih sistema. Poseban akcenat je dat na operacijama sa matricama koje se primenjuju u mašinskom i dubokom učenju. Ispitivanje funkcija jedne ili više promenljivih koji se izučava u ovom kursu je korisan za modelovanje i analiziranje fizičkih fenomena koji uključuju kontinualne promene promenljivih ili parametara i imaju primenu u svim oblastima veštačke inteligencije.

Cilj ovog predmeta je da studenti savladaju osnovne koncepte nauke o podacima i razumeju poziciju veštačke inteligencije u okviru šire discipline nauke o podacima, kao jednog od osnovnog alata koji se primenjuje u ovoj disciplini. Predmet će pokriti osnove šireg spektra metoda koje se koriste u nauci o podacima i veštačkoj inteligenciji.

Razumevanje pojma eksplorativne (istraživačke) analize podataka (eng. exploratory data analysis - EDA), kao značajne faze u razvoju rešenja (proizvoda) nauke o podacima i veštačke inteligencije. Razumevanje principa i tehnike EDA. Razvijanje veština vizualizacije podataka. Savladavanje tehnika inženjeringa atributa skupa podataka. Primena statističkih metoda za analizu podataka. Sticanje praktičnog iskustva sa alatima za analizu podataka. Razumevanje značaja pretprocesiranja (predobrade) podataka za mašinsko učenje. Primena EDA i tehnika inženjeringa podataka na setovima podataka iz realnog okruženja.

Osnovni cilj predmeta je da se studenti upoznaju sa objektno-orijentisanom paradigmom u programskom jeziku Java. Sekundarni cilj predmeta je sticanje iskustva u implementaciji objektno-orijentisanih programa u programskom jeziku Java kroz praktičan rad, i izgrade solidnu bazu za nadogradnju na kasnijim godinama studija. Još jedan od ciljeva ovog je da studenti steknu neophodne veštine za sprovođenje istraživačkih aktivnosti u ovoj dinamičkoj oblasti eksploatacijom postojećih Java okruženja i alata, kao što su programski paketi Eclipse i IntelliJ. Programski jezik Java je izbran kao tehnologija za učenje principa objekt-orijentisane paradigme programiranja s obzirom da pored Python-a i R programskih jezika Java takođe ima podršku za mašinsko učenje putem specijalizovanih biblioteka, kao i s pogledom na činjenicu da se na većini svetskih univerziteta principi objektno-orijentisanog programiranja uče kroz ovaj programski jezik.

Razumevanje uloge i principa rada operativnih sistema kao interfejsa za korišćenje hardverskih resursa u samostalnim i distribuiranim računarskim sistemima. Upoznavanje sa realizacijom navedenih pristupa u vidu GNU/Linux platforme kao aktuelnog standarda za različite primene veštačke inteligencije. Ovladavanje korišćenjem komandno-linijskog korisničkog interfejsa za rad na lokalnim i udaljenim računarskim sistemima.

Cilj kursa je upoznavanje studenata sa načinima koje algorimi i metode veštačke inteligencije koriste za reprezentaciju relevantnih informacija specifičnog zadatka i donošenje inteligentnih odluka, bilo da su zadovoljavajuće (suboptimalne) ili optimalne, a sve u cilju postizanja definisanih ciljeva. Između ostalog silabus kursa pokriva i neke od izazova sistema veštačke inteligencije, kao što su efikasno predstavljanje znanja, generisanje odgovarajućih nizova akcija i pretraga alternativa radi pronalaženja optimalnih ili blizu optimalnih rešenja.

Unaprediti znanje iz domena eksploracione analize podataka (eng. exploratory data analysis – EDA) korišćenjem naprednijih alata i tehnika. Upoznavanje sa pojmom istraživanja podataka (eng. data mining) i osnovnim principima ovih algoritama, kao i odnosom između istraživanja podataka i algoritama mašinskog učenja. Pronalažnje relevantnih, zanimljivih i neobičnih asocijacija i korelacija među podacima. Upoznavanje sa osnovnim statističkim modelima za klasifikaciju i regresiju, algorimima za grupisanje podataka i metodama za smanjivanje dimenzionalnosti podataka (eng. dimensionality reduction). Razumevanje i interpretacija rezultata. Primena rudarenja podataka na realne probleme. Razumevanje etičkih i pravnih aspekata rudarenja podataka. Na kraju kursa, studenti će biti u mogućnosti da efikasno istražuju i analiziraju podatke i izvedu značajne zaključke koji se mogu koristiti za donošenje boljih odluka u raznim domenima.

Primarni cilj kursa je da studentima pruži čvrstu osnovu teorije verovatnoće, omogućavajući im da efikasno rezonuju kod problema gde je prisutna neizvesnost u kontekstu veštačke inteligencije. Studenti će naučiti da analiziraju i modeliraju slučajne promenljive i raspodele verovatnoće, stičući veštine neophodne za verovatnosno rezonovanje i donošenje odluka kod AI aplikacija. Istražujući različite probabilističke modele i tehnike statističkog zaključivanja koristeći programski jezik “R”, studenti će razviti sposobnost primene teorije verovatnoće na probleme veštačke inteligencije u stvarnom svetu, podstičući kritičko razmišljanje i praktičnu veštinu.

Upoznavanje studenata sa pojmom optimizacije, matematičkim modelovanjem i mogućnostima implementacije stohastičkih algoritama za rešavanje problema postavljenih modela kroz teorijske i praktične simulacije. Osposobljavanje studenata za evaluaciju kvaliteta rezultata postavljenih problema. Testiranje na standardnim benčmark i problemima iz realnog okruženja. Komparativne analize i strukturalno raslojavanje problema i pristupa rešavanju.

Cilj kursa je upoznavanje studenata sa osnovnim pojmovima, principima i konceptima koji se koriste u većini algoritama mašinskog učenja. Fokus ovog kursa su „klasični“ modeli mašinskog učenja, bez ulaženja u detalje metoda dubokog učenja. Upoznavanje sa različitim tipovima mašinskog učenja: nadgledano, nenadgledano i ojačano učenje. Studenti će biti upoznati sa različitim algoritmima mašinskog učenja, za rešavanje problema regresije, klasifikacije i klasterovanja. Praktičan rad i upotreba sistema sa mašinskim učenjem će bigi demonstrirana u više oblasti primene, na primer, u medicini, finansijama, inženjerstvu i poslovanju. Važno je istaći - iako se u ovom kursu uče konceptualni osnovi mašinskog učenja, ne insistira se na izvođenju matematičkih dokaza.

Jedan od glavnih ciljeva kursa je osposobljavanje studenata da uspešno primenjuju metode dubokog učenja, pre svega veštačkih neuronskih mreža, na različite zadatke i da razumeju njihove primene i izazove u različitim oblastima. Još jedan značajan cilj kursa je osposobljavanje studenata da razumeju matematičku pozadinu metoda dubokog učenja, pre svega učenja propagacijom greške unazad (eng. backpropagation) i optimizacione algortme, poput algoritma stohastičkog gradijentnog spusta (eng. stohastic gradient descent - SGD). Iako je fokus kursa na klasičnim neuronskim mrežama, tzv. višeslojnim perceptronima (eng. multilayer perceptron), studentima će takođe biti spomenute novije arhitekture kao što su konvolucione i rekurentne neuronske mreže, autoenkoderi i transformeri i njihove primene.

Sticanje teorijskih i praktičnih znanja i sveobuhvatno razumevanje koncepata klaud računarstva i razvoja softvera, kao i njihovom primenom u kontekstu modela mašinskog učenja. Studenti se upoznaju sa vrstama klaud tehnologija (infrastrukture, platforme i softverske usluge). Kroz ovaj predmet, studenti će moći da identifikuju prednosti i izazove upotrebe klaud računarstva u razvoju softvera. Predmet analizira različite modele usluga u oblaku (Iaas, PaaS, SaaS) i modele implementacije (Javni oblak, Privatni oblak, Hibridni oblak), kao i ključne komponente arhitekture u oblaku (Virtualizacija, VM, Skladištenje, Mreže) za potrebe razvoja i otpremanja modela mašinskog učenja. Studenti će se upoznati sa fazama razvoja softvera mašinskog učenja u klaud sistemima kao što su Micosoft Azure, AWS i Google Cloud.

Sticanje teorijskih znanja i praktičnih veština za automatizovanu obradu prirodnog jezika, uključujući razumevanje prirodnog jezika, upravljanje dijalogom i generisanje prirodnog jezika. Praktično ovladavanje algoritmima obrade prirodnog jezika. Osposobljavanje studenata za izradu alata za obradu prirodnog jezika.

Cilj ovog kursa je da pruži studentima razumevanje osnovnih koncepata, tehnika i algoritama koji se koriste u oblasti obrade ditigalnih slika i prepoznavanja obrazaca. Razumevanje različitih metoda i algoritama za obradu slika i prepoznavanja obrazaca i njihova primena u različitim domenima. Upoznavanje sa tehnikama za obradu slika, uključujući filtriranje, i njihovu primenu za uklanjanje šuma, povećanje kontrasta i izolaciju objekata. Razumevanje tehnika za ekstrakciju karakteristika iz slika i njihovu primenu u zadacima prepoznavanja obrazaca. Klasifikacija slika primenom klasičnog mašinskog učenja i dobro poznatih modela konvolucionih mreža.

Cilj predmeta je osposobljavanje studenata za razvoj i implementaciju sopstvenih konvolucionih neuronskih mreža (eng. convolutional neural networks – CNNs), kao modela dubokog učenja koji su dokazali da mogu da postignu bolje performanse od ostalih dubokih modela u radu sa digitalnim slikama, za rešavanje širokog spektra praktičnih izazova iz realnog okruženja u domenu računarskog vida (eng. computer vision). Studenti će se takođe detaljno upoznati sa arhitekturom, operacijama i matematičkom pozadinom CNN modela. Kao još jedan od ciljeva ovog kursa navodi se i upoznavanje studenata sa generativnim protivničkim mrežama (eng. generative adversarial networks – GANs) za rad sa digitalnim slikama i njihovim primenama. Silabus ovog kursa je struktuiran na način da se nadovezuje na predmet Obrada slika i prepoznavanje obrazaca, gde su studenti imali priliku da koriste dobro poznate CNN modele.

Upoznavanje osnovnih teorijskih koncepata i principa odabira karakteristika i modela. Razumevanja značaja odabira karakteristika. Razumevanje različitih tehnika za odabir karakterstika, pre svega filter i metoda obuhvatanja (eng. wrapper-based). Primena stohastičkih algoritama sa metodama obuhvatanja za odabir karakteristika i primenu za identifikovanje relevantnih karakteristika koje imaju najveći uticaj na target promenljivu konrektnog problema. Ispitivanje različitih metrika (indikatora) za procenu performansi modela i izbor odgovarajućih metrika za konkretnu primenu. Razumevanje važnosti odabira odgovarajućeg modela prilagoćenog datom zadatku. Sticanje iskustava u odabiru odgovorajućih modela za izazove klasifikacije i regresije iz realnog okruženja metodom simulacije.

Cilj predmeta je savladavanje naprednih tehnika modelovanja i predviđanja vremenskih serija primenom klasičnih modela mašinskog učenja i dubokih, pre svega rekurentnih mreža. Upoznavanje studenata sa pojmom predviđanja vremenskih serija, adaptacijom serija podataka u formu vremenskih serija i implementacijom modela mašinskog učenja i dubokog učenja za rešavanje problema ovog tipa. Studenti se kroz teorijsku i praktičnu nastavu osposobljavaju za implementaciju algoritama za rešavanje problema iz realnog okruženja, koji se mogu formulisati kao vremenske serije. Kurs koji zahteva poznavanje Python programiranja za nauku o podacima i veštačku inteligenciju i osnovne principe mašinskog učenja i neuronskih mreža.

Sticanje teorijskih znanja i praktičnih veština u primeni dubokog učenja u obradi prirodnog jezika, uključujući razumevanje prirodnog jezika, upravljanje dijalogom i generisanje prirodnog jezika. Praktično ovladavanje algoritmima dubokog učenja u obradi prirodnog jezika. Osposobljavanje studenata za samostalnu primenu dubokog učenja u obradi prirodnog jezika.

Kurs uvodi osnovne teme u robotici kao što su C-prostor i ograničenja kretanja. Objašnjava forvard i inverznu kinematiku i razmatra proračune brzine, sile i obrtnog momenta u robotici. Kurs se takođe bavi algoritmima planiranja kretanja u robotici. Diskutovaće se i tradicionalni i savremeni algoritmi za planiranje trajektorija u robotici. Teorijske diskusije će biti praćene numeričkim i simulacionim vežbama. Algoritmi za planiranje putanje će biti demonstrirani na jednostavnim Arduino robotima.

Cilj predmeta je sticanje teorijskih i praktičnih znanja o pristupima i metodama objašnjenja modela mašinskog učenja. Osposobljavanje studenata za ekstrakciju znanja utemeljenog u podacima primenom različitih metoda veštačke inteligencije.

Osnovni cilj stručne prakse je sticanje profesionalnog iskustva i praktičnih znanja iz domena veštačke inteligencije i relevantnih tehnologija. Stručna praksa će studentima omogućiti: sticanje novih i dodatnih veština i znanja koje su tražene na tržištu rada iz domena veštačke inteligencije, a koji pripada interesnoj sferi studenata, adaptiranje radnom okruženju, povezivanje teorijskih znanja i praktičnih iskustva, orijentaciju ka budućem zaposljenju, primena najnovijih tehnologija veštačke inteligencije u industriji, kao i definisanje i preciziranje teme za završni rad.

Sticanje teorijskih i praktičnih znanja i temeljno razumevanje operacija mašinskog učenja. Studenti će steći razumevanje osnova operacija modela mašinskog učenja. Identifikacija ključnih elemenata i izazova u procesu operacija modela mašinskog učenja. Razumevanje praktične primene modela mašinskog učenja. Upoznavanje studenata sa softverskim inženjeringom, inženjeringom modela i najnovijim praksama u implementaciji sa praktičnim iskustvom korišćenja platformi i alata. Nakon završetka ovog kursa, student će razumeti životni ciklus proizvoda mašinskog učenja i sve što je potrebno da se ideja prevede u operativno okruženje u korporativnom okruženju.

Završni rad predstavlja jedinstveni projekat koji se radi u toku poslednje godine studija. Završni rad se sastoji iz teorijskog istraživanja i praktičnog rada (koji se radi u okviru kursa završni rad – predmet) iz određenog domena veštačke inteligencije i računarstva, prezentuje se i brani se kao celina. Primarni cilj završnog rada je upoznavanje studenta sa pravilima, postupcima i procesima samostalnog i celovitog istraživačkog rada i praktičnim primenama savladanih teorijskih koncepata i stečenog znanja iz algoritama tehnika veštačke inteligencije. Projekat koji se u okviru kursa završni rad prikazuje u pisanoj formi i izlaže u usmenoj formi realizuje se u okviru kursa završni rad – predmet.

Cilj predmeta je osposobljavanje studenata za samostalan razvoj projekta iz domena veštačke inteligencije srednjeg nivoa složenosti i primene svih stečenih znanja tokom studija koje je pokriveno silabusom odslušanih i položenih kurseva. Povezivanje i zaokruživanje svih stečenih znanja u formi praktičnog projekta iz realnog okruženja.