Cilj i ishod predmeta
Osnove mašinskog učenja i veštačke inteligencije kao ključnih oblasti za razvoj pametnih, adaptivnih i autonomnih inženjerskih sistema sa raznim primenama. Proučava se dizajn, obuka i implementacija algoritama mašinskog učenja, sa posebnim fokusom na njihovu integraciju u realne inženjerske sisteme, računarske mreže, ugrađene (embeded) uređaje i digitalni hardver. Kandidat je u stanju da projektuje i primeni metode veštačke inteligencije za rešavanje složenih problema analize podataka, predikcije, klasifikacije i upravljanja u raznim oblastima inženjerstva. Studenti razumeju i primenjuju napredne tehnike optimizacije i prilagođavanja AI modela za rad u realnom vremenu i na hardverskim platformama sa ograničenim resursima. Kandidati razumeju i u stanju su da analiziraju performanse i pouzdanost pametnih sistema.
Teorijska nastava
Osnovi mašinskog učenja i veštačke inteligencije u kontekstu inženjerskih aplikacija. Klasične metode mašinskog učenja (nadgledano, nenadgledano i učenje uz potkrepljenje) i njihova primena u inženjerstvu. Veštačke neuronske mreže i duboko učenje (Deep Learning). Obrada vremenskih serija, senzorskih podataka i digitalnih signala pomoću AI algoritama. Veštačka inteligencija na ivici mreže (Edge AI) i implementacija modela na ugrađenim (embeded) sistemima. Metode optimizacije modela za izvršavanje u realnom vremenu (kvantizacija, kompaktizacija i orezivanje neuronskih mreža). Ko-dizajn hardvera i softvera za AI akceleratore. Primena mašinskog učenja za detekciju anomalija, prediktivno održavanje i optimizaciju računarskih mreža i sistema. Sigurnost, robusnost i objašnjivost (Explainable AI) modela u kritičnim inženjerskim primenama. Primeri primene u robotici, autonomnim vozilima, pametnim mrežama i industriji.
Studijski istraživački rad
Primena savremenih softverskih biblioteka i razvojnih okruženja za mašinsko učenje i veštačku inteligenciju (npr. TensorFlow, PyTorch, Scikit-learn). Razvoj, obuka i validacija AI modela na inženjerskim skupovima podataka. Implementacija i optimizacija naučenih modela za izvršavanje na specifičnim hardverskim platformama (mikrokontroleri, FPGA, GPU). Simulacija i testiranje performansi integrisanih pametnih sistema u realnim scenarijima. Kroz studijski istraživački rad student, proučavajući naučne časopise i ostalu literaturu samostalno produbljuje gradivo sa predavanja. Uz rad sa nastavnikom student se osposobljava za samostalno pisanje naučnog rada.