| Naziv predmeta | Uvod u umjetnu inteligenciju i strojno učenje |
| Detalji | Kod
VSITE137 Skr.
UUISU ECTS
5 Godina
4 Semester
Zimski semestar Vrsta
izborni Razina HKO 6
Preddiplomski studij E-Learning
0% |
| Aktivnosti | IT zg - Ljet 24/25
ECTS
Jedinice
Sati
Svega P
1
15
2
30
A
0
0
0
0
L
1
10
3
30
S
0
0
0
0
KA
0
0
0
0
KP
0
2
2
0
PR
0
0
0
0
IP
0
0
0
0
IU
0
1
3
0
SU
0
1
90
90
|
| Nastavnici | Nositelji: Marijan Čančarević, v. pred.
Asistenti: mr. sc. Neven Rihtar, str. sur., Siniša Tkalčec, pred. |
| Preduvjeti | Nema |
| Sadržaj | Osnovni pojmovi umjetne inteligencije i strojnog učenja. Povijesni razvoj. Modeli: SVM, NN, RNN, DNN, CNN, QNN.
Perceptron: osnovni model, matematička funkcija, matrični prikaz. Aktivacijske funkcije: sigmoid, tanh, RELU. Neuronska mreža slojeva perceptrona, matrični prikaz.
Evaluacija svojstava i procjena uspješnosti. Kvantifikacija gubitaka. Metrike.
Opći pristup strojnom učenju. Optimizacija gubitaka. Gradijent i gradijentni spust. Prostiranje unatrag (eng. Backpropagation). Pravilo ulančavanja. Parametri strojnog učenja: brzina učenja (eng. Learning Rate), algoritmi adaptivne brzine učenja, Algoritmi s više početnih točaka (eng. Batch). Problem prenaučenosti (eng. Overfitting). Izbjegavanje prenaučenosti: regularizacija izbacivanjem (eng. Dropout), regularizacija ranim zaustavljanjem treniranja (eng. Early Stopping).
Python kao jezik umjetne inteligencije. Alati numeričke analize: numpy, scipy, pandas. Prezentacijski alati: matplotlib. Sustavi strojnog učenja i predikcije: pytorch, keras-tensorflow. QNN: qkeras.
|
| Ciljevi učenja | Prepoznavanje pojmova vezanih uz umjetnu inteligenciju i strojno učenje. Vrednovanje i priprema podataka za treniranje. Poznavanje osnovnih modela umjetne inteligencije. Priprema modela za strojno učenje. Treniranje i korištenje treniranih modela. Korištenje metrika uspješnosti modela.
|
| Ishodi učenja | |
| Sposobnosti | Kolegij pruža specijalistička znanja s područja umjetne inteligencije i strojnog učenja i osposobljava polaznike za samostalnu izradu i primjenu modela umjetne inteligencije.
|
| Preporučena literatura | |
| Dodatna literatura | |
| predavanja (P) | - Uvod u umjetnu inteligenciju (UI) i podatkovnu znanost (PZ). Ideje, pojmovi, pristupi.
- Podaci, njihove vrste i karateristike. Osnove statističkih pojmova i značajki.
- Prvi algoritam učenja - perceptron
- Linearni model (neuron) u klasifikaciji i regresiji
- Više načina da se obučava linearni neuron
- Šta činiti ako je stvarna separacija nelinearna?
- Neuronska mreža (NM) - model sa skrivenim slojem
- Propagiranje pogreške unazad (PPU)
- Mogućnosti i problemi PPU-a
- Softverska rjesenja i primjeri primjene NM
- Stabla odluke
- Osnove neizrazite logike (NL)
- Postavljanje modela NL 1
- Postavljanje modela NL 2
- Pregled predavanja i budućnost UI - možemo li išta predvidjeti?
|
| laboratorijske vježbe (L) | - Osnovni tipovi i karakteristike podataka
- Matematičke i statističke osnove za obradu podataka
- Vizualizacija podataka
- Programiranje perceptrona – prvog algoritma učenja
- Model linearnog neurona 1
- Model linearnog neurona 2
- Izrada programa za propagiranje pogreške unazad (PPU)
- Treniranje neuronske mreže sa realnim podacima
- Stablo oduke za klasifikaciju
- Primjena neizrazite logike na jednodimenzionalnom problemu
|
| kolokvij - teorija (KP) | - Jedinice predavanja 1-7, jedinice laboratorijskih vježbi 1-5. Test se polaže pismeno, svako pitanje se jednako vrednuje, s tim da se pojedino pitanje može vrednovati kao netočno (0 bodova), djelomično točno (0,25; 0,5 i 0,75 bodova) i potpuno točno (1 bod). Na svakom od dvakolokvija studenti moraju postići prosjek od 50% ili veći. U slučaju nezadovoljenja na testu, test se ponavlja u redovitim terminima ljetnog ispitnog roka.
- Jedinice predavanja 8-15, jedinice laboratorijskih vježbi 6-10. Test se polaže pismeno, svako pitanje se jednako vrednuje, s tim da se pojedino pitanje može vrednovati kao netočno (0 bodova), djelomično točno (0,25; 0,5 i 0,75 bodova) i potpuno točno (1 bod). Na svakom od dvakolokvija studenti moraju postići prosjek od 50% ili veći. U slučaju nezadovoljenja na testu, test se ponavlja u redovitim terminima ljetnog ispitnog roka.
|
| ispit - teorija (IU) | - Jedinice predavanja 1-15, jedinice laboratorijskih vježbi 1-10. Test se polaže pismeno, svako pitanje se jednako vrednuje, s tim da se pojedino pitanje može vrednovati kao netočno (0 bodova), djelomično točno (0,25; 0,5 i 0,75 bodova) i potpuno točno (1 bod). Ispit se polaže u jesenskom ispitnom roku, ako kolegij nije položen preko kolokvija. Ocjena se određuje iz ukupnog rezultata dobivenog tako da se rezultat ispita ili kolokvija pomnoži s 0,8, rezultati na laboratorijskim vježbama s 0,15, a rezultati tjednih testova na predavanjima s 0.05. Tako dobiveni rezultat se pretvara u ocjene: 0-50% nedovoljan 50-62,5% dovoljan 62,5-75% dobar 75-87,5% vrlodobar 87,5-100% izvrstan (odličan).
|
| samostalno učenje (SU) | - kolokviji, konzultacije, samostalno učenje, samostalno rješavanje numeričkih zadataka, samostalni rad u laboratoriju
|
