Skip to main content

IT - Introduction to artificial intelligence and machine learning

Subject name

Introduction to artificial intelligence and machine learning

Details
Code
VSITE137
Abbrev.
UUISU
ECTS
5
Year
4
Semester
Winter semester
Type
elective
NQF Level 6
Bachelor study
E-Learning
0%
Activities
IT zg - Sum 22/23
ECTS
Units
Hours
Total
T
1
15
2
30
N
0
0
0
0
L
1
10
3
30
S
0
0
0
0
PN
0
0
0
0
PT
0
2
2
0
PR
0
0
0
0
EN
0
0
0
0
ET
0
1
3
0
AL
0
1
90
90
TeachersLeaders: prof. dr. sc. Vojislav Kecman
Assistants: Marijan Čančarević, v. pred., Siniša Tkalčec, pred.
PrerequisitsNone
Content

Osnovni pojmovi umjetne inteligencije i strojnog učenja. Povijesni razvoj. Modeli: SVM, NN, RNN, DNN, CNN, QNN.

Perceptron: osnovni model, matematička funkcija, matrični prikaz. Aktivacijske funkcije: sigmoid, tanh, RELU. Neuronska mreža slojeva perceptrona, matrični prikaz.

Evaluacija svojstava i procjena uspješnosti. Kvantifikacija gubitaka. Metrike.

Opći pristup strojnom učenju. Optimizacija gubitaka. Gradijent i gradijentni spust. Prostiranje unatrag (eng. Backpropagation). Pravilo ulančavanja. Parametri strojnog učenja: brzina učenja (eng. Learning Rate), algoritmi adaptivne brzine učenja, Algoritmi s više početnih točaka (eng. Batch). Problem prenaučenosti (eng. Overfitting). Izbjegavanje prenaučenosti: regularizacija izbacivanjem (eng. Dropout), regularizacija ranim zaustavljanjem treniranja (eng. Early Stopping).

Python kao jezik umjetne inteligencije. Alati numeričke analize: numpy, scipy, pandas. Prezentacijski alati: matplotlib. Sustavi strojnog učenja i predikcije: pytorch, keras-tensorflow. QNN: qkeras.

Learning objectives

Prepoznavanje pojmova vezanih uz umjetnu inteligenciju i strojno učenje. Vrednovanje i priprema podataka za treniranje. Poznavanje osnovnih modela umjetne inteligencije. Priprema modela za strojno učenje. Treniranje i korištenje treniranih modela. Korištenje metrika uspješnosti modela.

Learning outcomes
Competencies

Kolegij pruža specijalistička znanja s područja umjetne inteligencije i strojnog učenja i osposobljava polaznike za samostalnu izradu i primjenu modela umjetne inteligencije.

Recommended Literature
Additional Literature
lectures (T)
  1. Uvod u umjetnu inteligenciju (UI) i podatkovnu znanost (PZ). Ideje, pojmovi, pristupi.
  2. Podaci, njihove vrste i karateristike. Osnove statističkih pojmova i značajki.
  3. Prvi algoritam učenja - perceptron
  4. Linearni model (neuron) u klasifikaciji i regresiji
  5. Više načina da se obučava linearni neuron
  6. Šta činiti ako je stvarna separacija nelinearna?
  7. Neuronska mreža (NM) - model sa skrivenim slojem
  8. Propagiranje pogreške unazad (PPU)
  9. Mogućnosti i problemi PPU-a
  10. Softverska rjesenja i primjeri primjene NM
  11. Stabla odluke
  12. Osnove neizrazite logike (NL)
  13. Postavljanje modela NL 1
  14. Postavljanje modela NL 2
  15. Pregled predavanja i budućnost UI - možemo li išta predvidjeti?
laboratory exercises (L)
  1. Osnovni tipovi i karakteristike podataka
  2. Matematičke i statističke osnove za obradu podataka
  3. Vizualizacija podataka
  4. Programiranje perceptrona – prvog algoritma učenja
  5. Model linearnog neurona 1
  6. Model linearnog neurona 2
  7. Izrada programa za propagiranje pogreške unazad (PPU)
  8. Treniranje neuronske mreže sa realnim podacima
  9. Stablo oduke za klasifikaciju
  10. Primjena neizrazite logike na jednodimenzionalnom problemu
preliminary exam - theory (PT)
  1. Jedinice predavanja 1-7, jedinice laboratorijskih vježbi 1-5. Test se polaže pismeno, svako pitanje se jednako vrednuje, s tim da se pojedino pitanje može vrednovati kao netočno (0 bodova), djelomično točno (0,25; 0,5 i 0,75 bodova) i potpuno točno (1 bod). Na svakom od dvakolokvija studenti moraju postići prosjek od 50% ili veći. U slučaju nezadovoljenja na testu, test se ponavlja u redovitim terminima ljetnog ispitnog roka.
  2. Jedinice predavanja 8-15, jedinice laboratorijskih vježbi 6-10. Test se polaže pismeno, svako pitanje se jednako vrednuje, s tim da se pojedino pitanje može vrednovati kao netočno (0 bodova), djelomično točno (0,25; 0,5 i 0,75 bodova) i potpuno točno (1 bod). Na svakom od dvakolokvija studenti moraju postići prosjek od 50% ili veći. U slučaju nezadovoljenja na testu, test se ponavlja u redovitim terminima ljetnog ispitnog roka.
exam - theory (ET)
  1. Jedinice predavanja 1-15, jedinice laboratorijskih vježbi 1-10. Test se polaže pismeno, svako pitanje se jednako vrednuje, s tim da se pojedino pitanje može vrednovati kao netočno (0 bodova), djelomično točno (0,25; 0,5 i 0,75 bodova) i potpuno točno (1 bod). Ispit se polaže u jesenskom ispitnom roku, ako kolegij nije položen preko kolokvija. Ocjena se određuje iz ukupnog rezultata dobivenog tako da se rezultat ispita ili kolokvija pomnoži s 0,8, rezultati na laboratorijskim vježbama s 0,15, a rezultati tjednih testova na predavanjima s 0.05. Tako dobiveni rezultat se pretvara u ocjene: 0-50% nedovoljan 50-62,5% dovoljan 62,5-75% dobar 75-87,5% vrlodobar 87,5-100% izvrstan (odličan).
autonomus learning (AL)
  1. kolokviji, konzultacije, samostalno učenje, samostalno rješavanje numeričkih zadataka, samostalni rad u laboratoriju

Klaićeva 7, 10000 Zagreb, tel. 01/3764200 fax. 01/3764264