Navigacija

19D051DU - Duboko učenje

Specifikacija predmeta
Naziv Duboko učenje
Akronim 19D051DU
Studijski program
Modul
Tip studija
Nastavnik (predavač)
Nastavnik/saradnik (vežbe)
    Nastavnik/saradnik (DON)
      Broj ESPB 9.0 Status predmeta izborni
      Uslovljnost drugim predmetima
      Ciljevi izučavanja predmeta Upoznavanje sa savremenim tehnikama veštačke inteligencije, prevashodno zasnovanim na mašinskom učenju. Razumevanje preduslova, potencijala, ograničenja i metoda primene ovih tehnika na probleme obrade slike i videa, sekvencijalnih signala, prirodnog jezika, upravljanja agentima, generisanja slike i teksta, vizuelizacije visoko-dimenzionalnih podataka.
      Ishodi učenja (stečena znanja) Studenti razumeju osnovne i napredne koncepte obrađenih tehnika, u stanju su da ih implementiraju korišćenjem standardnih biblioteka, da izvrše obučavanje modela i analiziraju njihove performanse, da unesu modifikacije u cilju prilagođavanja postojećih metoda specifičnim domenima primene ili u cilju naučnog istraživanja.
      Sadržaj predmeta
      Link ka stranici predmeta https://www.etf.bg.edu.rs/fis/karton_predmeta/19D051DU-2023
      Sadržaj teorijske nastave Modeli za rad sa slikama: VGG, ResNet, ViT. Detekcija objekata i segmentacija: YOLO, Faster R-CNN, Mask-RCNN, UNet. Praćenje objekata: DeepSORT. Sekvencajalni podaci, pažnja: LSTM/GRU, Transformer. Grafovske neuralne mreže. Učenje podsticanjem: DDPG, DQN, PPO. Učenje sa samo-nadzorom: BERT, GPT, SimCLR. Generativni modeli: GAN, VAE, difuzioni modeli. Redukcija dimenzionalnosti: UMAP, t-SNE.
      Sadržaj praktične nastave Samostalna implementacija, obučavanje i evaluacija modela korišćenjem Python programskog jezika i standardnih biblioteka (PyTorch, TensorFlow, Keras).
      Literatura
      1. Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. Deep learning. MIT press, 2016.
      2. Sutton, Richard S., and Andrew G. Barto. Reinforcement learning: An introduction. MIT press, 2018.
      3. Murphy, Kevin P. Probabilistic machine learning: an introduction. MIT press, 2022.
      4. Bronstein, Michael M., et al. Geometric deep learning: Grids, groups, graphs, geodesics, and gauges. arXiv preprint arXiv:2104.13478 (2021).
      5. Zhang, Aston, et al. Dive into deep learning. Cambridge University Press, 2023.
      Broj časova aktivne nastave nedeljno tokom semestra/trimestra/godine
      Predavanja Vežbe DON Studijski i istraživački rad Ostali časovi
      8
      Metode izvođenja nastave Predavanja. Samostalno istraživanje preporučene literature i dodatnih izabranih naučnih radova, uz konsultacije.
      Ocena znanja (maksimalni broj poena 100)
      Predispitne obaveze Poena Završni ispit Poena
      Aktivnosti u toku predavanja Pismeni ispit
      Praktična nastava Usmeni ispit 30
      Projekti 70
      Kolokvijumi
      Seminari