Навигација

13Д031ВИР - Вештачка интелигенција у радио комуникацијама

Спецификација предмета
НазивВештачка интелигенција у радио комуникацијама
Акроним13Д031ВИР
Студијски програмЕлектротехника и рачунарство
Модулмодул Телекомуникације
Тип студијадокторске академске студије
Наставник (предавач)
Наставник/сарадник (вежбе)
    Наставник/сарадник (ДОН)
      Број ЕСПБ9.0Статус предметаобавезан
      Условљност другим предметима
      Циљеви изучавања предметаРадио комуникациони системи следећих генерација треба да подрже изузетно велике протоке и радикално нове апликације, које подразумевају нову парадигму имплементације. Изазов је у интелигентном адаптивном учењу и доношењу одлука, како би се задовољили различити захтеви мрежа нове генерације. Разматра ће се примена вештачке интелигенције (машинског учења) у свим сегментима радио мреже.
      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 једног радио система, * 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. Примери примене из домена радио система.
      Садржај практичне наставеСамостални практични истраживачки рад.
      Литература
      1. Machine Learning: Concepts, Methodologies, Tools and Applications, Information Resources Management Association, Information Science Reference, 2011.
      2. Bishop C. M. (2006). Pattern recognition and machine learning. Springer Science + Business Media.
      3. Shawe-Taylor J, Cristianini N. (2004). Kernel methods for pattern analysis. Cambridge University Press.
      4. H. M. Hasoun, Fundamentals of Artificial Neural Networks, Massachusetts Institute of Technology (1995)
      5. The MathWorks, Inc., „Matlab NN Toolbox Help,“ The MathWorks, Inc., http://www.mathworks.com/help/nnet/ref/nntool.html.
      Број часова активне наставе недељно током семестра/триместра/године
      ПредавањаВежбеДОНСтудијски и истраживачки радОстали часови
      6
      Методе извођења наставеМенторски рад.
      Оцена знања (максимални број поена 100)
      Предиспитне обавезеПоенаЗавршни испитПоена
      Активности у току предавањаПисмени испит
      Практична наставаУсмени испит30
      Пројекти
      Колоквијуми
      Семинари70