Navigacija

13D031VIR - Veštačka inteligencija u radio komunikacijama

Specifikacija predmeta
Naziv Veštačka inteligencija u radio komunikacijama
Akronim 13D031VIR
Studijski program Elektrotehnika i računarstvo
Modul modul Telekomunikacije
Tip studija doktorske akademske studije
Nastavnik (predavač)
Nastavnik/saradnik (vežbe)
    Nastavnik/saradnik (DON)
      Broj ESPB 9.0 Status predmeta obavezan
      Uslovljnost drugim predmetima
      Ciljevi izučavanja predmeta Radio komunikacioni sistemi sledećih generacija treba da podrže izuzetno velike protoke i radikalno nove aplikacije, koje podrazumevaju novu paradigmu implementacije. Izazov je u inteligentnom adaptivnom učenju i donošenju odluka, kako bi se zadovoljili različiti zahtevi mreža nove generacije. Razmatra će se primena veštačke inteligencije (mašinskog učenja) u svim segmentima radio mreže.
      Ishodi učenja (stečena znanja) Očekuje se da student koji završi ovaj kurs može da: * razume osnovne koncepte različitih tehnika veštačke inteligencije, * razume mogućost primene mašinskog učenja u različitim segmentima jednog radio sistema, * ovlada osnovnim algoritmima i programskim alatima za primenu tehnika mašinskog učenja na konkretnim problemima.
      Sadržaj predmeta
      Sadržaj teorijske nastave Pregled osnovnih koncepata veštačke ineteligencije i mašinskog učenja. Osnovni tipovi mašinskog učenja (unsupervised, reinforcement, supervised, semi-supervised). Klasifikacija, regresija, klasterizacija. Metode validacije. Overfitting problem. Primeri primene iz domena radio sistema.
      Sadržaj praktične nastave Samostalni praktični istraživački rad.
      Literatura
      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.
      Broj časova aktivne nastave nedeljno tokom semestra/trimestra/godine
      Predavanja Vežbe DON Studijski i istraživački rad Ostali časovi
      6
      Metode izvođenja nastave Mentorski rad.
      Ocena znanja (maksimalni broj poena 100)
      Predispitne obaveze Poena Završni ispit Poena
      Aktivnosti u toku predavanja Pismeni ispit
      Praktična nastava Usmeni ispit 30
      Projekti
      Kolokvijumi
      Seminari 70