Циљ
Исход
Методе извођења наставе
Садржај
Литература
Студенти су оспособљени за: разумевање теоријских концепата на којима се заснивају неуронске мреже; примену техника претпроцесирања података; моделовање система коришћењем неуронских мрежа и подешавање њених параметара; имплементацију неуронских мрежа у одабраном програмском језику и примена у решавању реалних проблема из различитих области
Теоријска настава
Основни појмови, математичка основа. Модел неурона и архитектура вештачке неуронске мреже (активационе функције и
тежински коефицијенти). Перцептрон, једнослојне линеарне мреже и вишеслојне мреже. Процес учења, надгледано и
ненадгледано учење. Алгоритам простирања грешке унапред (Backpropagation алгоритам). Прикупљање и претпроцесирање
података, технике обраде ненумеричких и недостајућих вредности. Оптимизација перформанси мреже. Тестирање мреже и
унакрсна валидација. Рекурентне неуронске мреже. Асоцијативно учење (Хебово правило и Кохонено правило). Компетитивно
учење (Хамингова мрежа). Радијалне (RBF) неуронске мреже. Примена неуронских мрежа за решавање проблема регресије,
класификације и кластеровања. Предности и ограничења, стабилност
Практична настава
Решавање практичних задатака из наведених области и програмска реализација у одговарајућем софтверском пакету или
програмском језику (MATLAB, Python). Израда пројекта/софтверског решења над одабраним скупом података
1. Петровић, Б., Поледица, А., Драговић, И., Ракићевић, А., Милошевић, П., Вукићевић А., & Зукановић, М. Рачунарска интелигенција Практикум у MATLAB-у Београд: ФОН 2021
2. Hagan, M., Demuth, H., Beale, M., & De Jesus O. Neural Network Design (2nd ed.) Martin Hagan 2014
3. Haykin, S. Neural Networks (2nd ed.) New York: Prentice Hall 1994
