Signali i sistemi ETF

Neuralne mreže i sistemi za obradu signala (13M054NM)

Predmet	Status	Broj časova (P+V+L)	Krediti
Neuralne mreže (13M054NM)	I	3+1+1	6
Predavanja - Goran Kvaščev, Aleksandar Rakić
Vežbe - Natalija Đorđević

13M054NM - Obaveštenja

Ovaj predmet se polaže na dva načina u zavisnosti od toga da li ste slušali (i položili) predmet Neuralne mreže (13E054NM ili 13S053NM) na osnovnim studijama.

1) U slučaju da Neuralne mreže niste slušali ranije, ovaj predmet polažete kroz polaganje predmeta na osnovnim studijama. Sve neophodne informacije možete pronaći na sajtu predmeta ili na MS Teams kanalu (parametri za pristup sa nalaze na sajtu predmeta).

2) U slučaju da ste Neuralne mreže slušali ranije, predmet se polaže kroz projektni zadatak. Potrebno je da osmislite problem koji ćete rešavati primenom dubokog učenja. Pregled relevantne literature iz odabrane oblasti nosi 10% ukupne ocene. Da biste ostvarili ove bodove, potrebno je da do roka koji će biti blagovremeno objavljen prijavite temu projektnog zadatka, dobijete njeno odobrenje, istražite postojeću literaturu i pripremite pregled relevantnih radova. Tema projektnog zadatka može se prijaviti i nakon ovog roka, ali u tom slučaju nije moguće ostvariti bodove predviđene za pregled literature, pa samim tim ni maksimalnu ocenu. Sam projektni zadatak podrazumeva realizaciju odabranog problema i izradu izveštaja. Pravilno pripremljen izveštaj nosi 60% ukupne ocene, dok odbrana projekta nosi 30%. Projektni zadatak se radi individualno i može se braniti u bilo kom ispitnom roku u kojem je omogućeno polaganje ispita iz zimskog semestra, kao i tokom samog semestra, pod uslovom da je tema prethodno prijavljena i odobrena. Detaljnije informacije o prijavi teme, izradi pregleda literature, formi izveštaja, odbrani projekta i svim relevantnim rokovima biće dostupne putem tima predmeta na platformi MS Teams. Molimo vas da se pridružite timu koristeći opciju „Join a team with a code“ i kod wz9dwyu.

Neki predlozi tema projektnog zadatka su:

• Predikcija sentimenta u tekstovima koristeći različite duboke modele
• Prepoznavanje objekata na slikama
• Modeli za segmentaciju slika
• Modeli za interpretabilnost dubokog učenja (Explainable AI – XAI)
• Procena dubinske mape na osnovu jedne slike (Monocular Depth Estimation)
• Predikcija vremenskih serija primenom dubokih modela
• Generisanje teksta, slika ili zvuka primenom generativnih modela
• Primena Vision Transformer (ViT) modela za analizu slika