Назад
[table “166” not found /]
  • Циљ
  • Исход
  • Методе извођења наставе
  • Садржај
  • Литература

Овладавање основним појмовима и алгоритмима у области неуронских мрежа и дубоког учења, и начином њихове примене у разним областима, са фокусом на програмирање за дубоко учење и софтверску реализацију.

Студенти ће овладати основним појмовима и моделима у области неуронских мрежа и дубоког учења, и стећи практичне вештине за њихову примену, тестирање и софтверску имплементацију.

Предавања у учионици уз помоћ рачунара, Интернет-а и open source софтверских алата. Вежбе у рачунарским лабораторијама, у мањим групама. Део вежби изводи наставник а студенти прате, а други део је резервисан за самосталан рад студената, индивидуално или у групи, уз надзор наставника.

Основни појмови: вештачки неурони, врсте и архитектуре неуронских мрежа, алгоритми за учење. Математичке основе, и интуитивно разумевање процеса учења. Вишеслојни перцептрони, алгоритми за учење вишеслојних перцептрона и њихова примена . Конволуционе и рекурентни мреже, и одговарајући алгоритми за учењеи начини имплементације у различитим програмским језицима и хардверским платформама. Софтверске библиотеке за неуронске мреже и дубоко учење. Процедура решавања проблема помоћу неуронских мрежа, типични проблеми у примени неуронских мрежа. Примери примене неуронских мрежа и дубоког учења за: класификацију, регресију, препознавање слика, разумевање природних језика.


1. Francois Chollet Deep Learning with Python Manning 2018
2. Документација и примери са сајта софтверске библиотеке за дубоко учење Tensorflow https://www.tensorflow.org/ 2020
3. Документација и примери са сајта пројекта Neuroph http://neuroph.sourceforge.net/ 2020
4. Michael Nielsen Neural networks and deep learning http://neuralnetworksanddeeple arning.com/ 2019

FON Logo Svetli

Брзи линкови

Сервиси

Друштвене мреже

© Copyright 2023, All rights reserved

Powered with 🧡 by FON