Напредни интелигентни системи

Циљ и исход предмета

Стицање знања за примену алгоритама вештачке интелигенције и машинског учења у анализи и обради сигнала слике, временских серија, видео и аудио, као и биомедицинских сигнала. Могућност аналитике виликих података који се добијају од интернета ствари. Студенти су оспособљени за анализу, имплементацију, примену и евалуацију алгоритама вештачке интелигенције у обради сигнала слике, временских серија, видео и аудио сигнала, као и за анализу биомедицинских сигнала. Знају да примене напредне технике вештачке интелигенције код масовних дистрибуираних система, посебно код интернета ствари.

Теоријска настава

Вештачке неуронске мреже са директним простирањем сигнала, рекурентне неуронске мреже, конволуционе неуронске мреже. Обрада слике, видео и аудио сигнала применом неуронских мрежа. Препознавање рукописа и говора. Препознавање лица. Видео сегментација и детекција граничних оквира. Одређивање положаја шаке у реалном времену. Конвергенција увећане стварности, интелигентних виртуелних агената и интернета ствари. Хибридни приступ сегментацији слике код интернета ствари. Аналитика великих података код интернета ствари. Анализа и предикција временских серија. Технике машинског учења у анализи биомедицинских сигнала (EKG, EEG, EMG). Уклањање шума, екстракција својстава, редукција броја димензија (PCA, ICA, KPCA, MSPCA), ентропијске и остале статистичке мере.

Практична настава

Имплементација неуронске мреже са директним простирањем сигнала, рекурентне неуронске мреже, конволуционе неуронске мреже. Обрада слике, видео и аудио сигнала применом неуронских мрежа. Анализа и предикција временских серија. Употреба алата ТенсорФлоw и Керас. Екстракција граничних оквира употребом алата Torchvision i Torch. Имплементација надгледаног и ненадгледаног учења код интеренета ствари. Дистрибуирана обрада у интернету ствари путем Apache Spark употребом MLLib и H2O.ai платформи. Студије случаја за Personal IoT, Industrial IoT и паметне градове.