Вештачка интелигенција

Мастер академске студије по акредитацији из 2022. године

Циљ студијског програма Вештачка интелигенција мастер академских студија на Електронском факултету у Нишу је образовање будућих инжењера компетентних за послове у компанијама које захтевају интензивно и активно теоријско и практично знање из области вештачке интелигенције за развој својих производа или у истраживачким центрима. Тако образовани стручњаци су способни да се брзо уклопе у тимски рад, имају способности презентовања својих резултата стручној, научној и широј јавности и спремност да се стално образују и напредују.

Додатни циљ студијског програма је да обезбеди знања која су неопходна за праћење најновијих научних достигнућа и брзог технолошког развоја у областима вештачке интелигенције и машинског учења.

По завршеним студијама, кандидат је спреман да самостално врши анализу потреба, као и одабир развојних техника и технологија.

По завршетку мастер академских студија на студијском програму Вештачка интелигенција мастер-инжењер вештачке интелигенције је оспособљен да обавља следеће послове:

самостални или тимски рад на развоју и одржавању сложених система и производа у компанијама које примењују вештачку интелигенцију и машинско учење директно или индиректно за своје производе;
тимски рад на развојним и истраживачким пројектима истраживачких и развојних центара, института и других академских установа у области вештачке интелигенције и машинског учења, као и наставак школовања на докторским академским студијама.
рад на адекватним пословима у образовању у области вештачке интелигенције и машинског учења у средњим школама или у високошколским установама (сарадници у настави).

Студијски програм Вештачка интелигенција омогућава студентима да стекну знања са којима су у могућности да пројектују и реализују софтверске системе високог квалитета, засноване на техникама вештачке интелигенције и машинског учења, уз коришћење савремених техника и метода софтверског инжењерства.

Услови за упис дефинисани су Правилником о мастер академским студијама Електронског факултета. Подразумева се да су кандидати за упис завршили основне академске студије електротехнике и рачунарства или сродни факултет, као и да су стекли основно знање из програмирања и математике (вероватноћа и статистика, теорија графова, линеарна алгебра и сл.)

Студијски програм траје 1 годину, а настава се реализује у 2 семестра са по 30 ЕСПБ. Укупан број ЕСПБ које студент остварује након завршетка студија је 60 ЕСПБ.

Књига предмета Књига наставника Распоред предмета по семестрима

Мастер инжењер електротехнике и рачунарства

ЕСПБ

трајање студија (год.)

1. семестар

Обавезни предмети

Назив предмета: Математички методи за машинско учење
Шифра предмета: 22.MA0002
Број часова недељно:

предавања: 2
вежбе: 2
други облици наставе: 0
oстали часови: 1

ЕСПБ: 6

Градиво:

Обрађене теме у оквиру предмета Математички методи у машинском учењу представљају математичке основе и нумеричке алгоритме који су градивне јединице сложенијих поступака и алата у оквиру области проучавања предложеног студијског програма вештачке интелигенције. Теме предмета обрађују се кроз три компоненте: теоријска основа, алгоритамска разрада и примена кроз реалан концепт. Међусобни однос ових компоненти у садржају предмета требало би да обезбеди код студената адекватно знање, вештине, мотивацију за савладавње постављених циљева предмета, али и да подстакне на даље истраживање у тој области. Садржај предмета представља колекцију знања из области нумеричке линеарне алгебре са акцентом на применама кроз познате алгоритме и корисне математичке моделе. Матрична декомпозиција и трансформације играју кључну улогу у поступцима класификације, предикције, асоцијације, кластеизације и редукције димензионалности. Због тога, осим стандардних рачунских вежби намењених овладавњу математичким концептим, практична настава подразумева и њихову примену на практичним примерима кроз Python, Jupiter Notebooks. Радом на једноставнијим проблемима и пројектним задацима на рачунарима студенти ће стицати вештине и знања неопходне за даље усавршавање и дубље разумевање проблема у вештачкој интелигенцији.

1. Алгебра матрица и тензора
2. Апроксимације, најмањи квадрати
3. SVD и PCA
4. Ненегативна факторизација (NNF)
5. Комплетирање матрице (matrix completion)
6. Векторски модел
7. Регресиони модели, регуларизација
8. Марковљеви модели

Спецификација предмета за књигу предмета

Изборни блок 1 (2 од 4) (избор 12 ЕСПБ)

Назив предмета: Управљање и анализа великих скупова података
Шифра предмета: 2.MA0005
Број часова недељно:

предавања: 2
вежбе: 2
други облици наставе: 1

ЕСПБ: 6

Градиво:
Увод у управљање и карактеристике великих скупова података (Big Data). Основни принципи, методе и технологије за прикупљање, складиштење, обраду и анализу великих скупова података, као и машинско учење и откривање знања из ових података. Прикупљање и интеграција великих скупова података из различитих извора. Дистрибуирани фајл системи, дистрибуиране NoSQL базе података, "језера података" (data lakes) за складиштење и организацију великих скупова података. Софтверски оквири, платформе и системи за управљање, обраду и анализу великих скупова података, као и машинско и дубоко учење над овим подацима. Визуелизација и визуелна анализа великих података. Управљање и анализа великих скупова и токова података на високо дистрибуираној рачунарској инфраструктури, у облаку (cloud) , "магли" (fog) и на "ивици" (edge). Анализа, дизајн, имплементација и евалуација система и апликација за управљање, обраду и анализу великих скупова података. Савремене апликације и системи засноване на обради, анализи и машинском/дубоком учењу над великим скуповима и токовима података у паметним градовима, Интернету ствари, интелигентном транспорту и мобилности, паметном здравству, паметним домовима, социјалним мрежама/медијима, гео-просторним информационим системима, итд.

Спецификација предмета за књигу предмета