Меко рачунарство Шифра: 130317 | 6 ЕСПБ

Опште информације
Ниво студија:
Година студија: 2
Семестар/Триместар: 4
Услов:
Циљ: Упознавање студената са основним концептима меког рачунарства и делимично, машинског учења.
Исход: Студенти ће бити оспособљени за употребу концепата меког рачунарства и појединих алгоритама машинског учења при пројектовању софтверских производа и решења која се делимично заснивају на тим концептима.
Садржај предмета
Теоријска настава:
  1. Основни појмови математичке логике, вештачке интелигенције и меког рачунарства.
  2. Fuzzy логика. Расплинуте релације, логика и методе закључивања.
  3. Вештачке неуронске мреже. Неурон, активациона функција, архитектуре мрежа.
  4. Обучавање, унакрсна валидација и проблем пренаучености.
  5. Дубоко обучавање система за одлучивање.
  6. Методе вектора ослонца.
  7. Теорија аномалија и методе откривања аномалија.
  8. Еволуционарно рачунарство.
  9. Генетски алгорими.
  10. Природом инспирисане мета-хеуристике и проблеми оптимизације.
  11. Вештачки имуни системи.
  12. Пробабилистичко рачунарство. Теорија вероватноће, игара и одличивања. Бајесовске мреже.
  13. Теорија хаоса. Детерминистички хаос, синхронизација хаотичних система, класични модели хаотичних комуникација.
  14. Груби скупови.
  15. Примена меког рачунарства.
Практична настава:
  1. Увежбавање представљених концепата, метода и техника кроз примере.
Литература
  1. М. Милосављевић, "Вештачка интелигенција", Универзитет Сингидунум, 2015.
  2. В. Мишковиц, "Системи за подршку одлучивању", Универзитет Сингидунум, 2013.
  3. E. Volna, "Introduction to Soft Computing", Bookbon & Eva Volna, 2013.
  4. D. K. Pratihar, "Soft computing: fundamentals and applications", Alpha Science International, Ltd., 2013.
  5. G. Tettamanzi, M. Tomassini, "Soft computing: integrating evolutionary, neural, and fuzzy systems", Springer Science & Business Media, 2013.
  6. V. Chandola, A. Banerjee, V. Kumar, "Anomaly detection: A survey", ACM computing surveys, 2009.
Број часова активне наставе (недељно)
Предавања: 3
Вежбе: 2
Други облици наставе: 0
Оцена знања (максималан број поена 100)
Предиспитне обавезе
Поени
активности у току предавања
0
активности на лабораторијским вежбама
20
семинарски рад
0
колоквијум
40
Завршни испит
Поени
Писмени испит
40
Усмени испит
0