Sveučilišni diplomski studij

Nazad   Raspored   Engleski

Strojno učenje u sustavima autonomnih i umreženih vozila DA3-03

ECTS 5 | P 30 | A 0 | L 15 | K 15 | ISVU 177877 | Akademska godina: 2018./2019.

Grupe studenata

Prikaži sve grupe na predmetu

Nastavnici na predmetu

VRANJEŠ MARIO, nositelj
GRBIĆ RATKO, nositelj
VAJAK DENIS, suradnik

Ciljevi predmeta

Upoznati studente s principima analize podataka i metodama strojnog učenja. Osposobiti studente za primjenu metoda strojnog učenja u inteligentnim transportnim sustavima autonomnih i umreženih vozila s naglaskom na obradu slike i duboko učenje. Stjecanje odgovarajućih vještina u radu s programskim alatima koji omogućuju analizu podataka i strojno učenje te s programskim alatima koji omogućuju implementaciju razvijenih algoritama na ciljnu platformu.

Uvjeti za upis predmeta

Ostvareni uvjeti za upis studija

Sadržaj

Uvod u strojno učenje. Nenadgledano, nadgledano učenje i podržano učenje. Parametarske i neparametarske metode. Regresijske i klasifikacijske metode. Složenost modela. Odabir modela. Vrjednovanje rezultata. Različite metode/algoritmi nadgledanog strojnog učenja: linearna regresija, neuronske mreže, strojevi s potpornim vektorima, stabla odluke, slučajne šume. Grupiranje podataka, smanjivanje dimenzionalnosti i izlučivanje značajki. Kalmanov filtar i Bajesova estimacija. Detekcija anomalija. Osnove dubokog učenja. Arhitekture i algoritmi dubokog učenja. Različiti tipovi dubokih neuronskih mreža. Konvolucijske neuronske mreže. Različite primjene strojnog i dubokog učenja u inteligentnim transportnim sustavima: fuzija senzorskih ulaza, segmentacija, detekcija i klasifikacija objekata (znakovi, linije, pješaci i sl.) na slici, planiranje kretanja, učenje u vozilima sa i bez vozača, lokalno upravljanje autonomnim vozilom, centralno i raspodijeljeno upravljanje sustavom umreženih vozila. Rad s programskim alatima koji podržavaju strojno učenje i duboko učenje. Implementacija algoritama strojnog učenja na ciljnu platformu.

Obveze studenata

Definirano Okvirima kriterija ocjenjivanja studenata FERIT-a i stavkom 1.9

Praćenje rada studenata

Definirano Okvirima kriterija ocjenjivanja studenata FERIT-a i stavkom 1.9

Osnovna literatura

1. 1 I. Goodfellow, Y. Bengio, A Courville Deep Learning MIT Press, 2016.

2. 2 E. Alpaydin Introduction to Machine Learning MIT Press, 2014.


Pretraži literaturu na:

Dopunska literatura

1. 1 S. Raschka Python Machine Learning Packt Publishing, 2015.

Način praćenja kvalitete i uspješnosti izvedbe kolegija

Provođenje sveučilišnih anketa o nastavnicima (pristup prema studentima, transparentnost kriterija, motivacija na izvršavanje aktivnosti, jasnoća izlaganja, i sl.). Provođenje fakultetskih anketa o predmetima (nakon položenog predmeta samoevaluacija studenata o usvojenim ishodima učenja, te o opterećenosti u usporedbi s ECTS-ima aktivnosti i predmeta u cjelini).

Pregled ishoda učenja, nastavnih metoda i procjena ishoda učenja

Ishodi učenja:

1. definirati osnovne pojmove i koncept strojnog učenja

2. razlikovati različite načine strojnog učenja

3. izraditi vlastito programsko rješenje uz primjenu odgovarajućih biblioteka s implementiranim metodama i algoritmima strojnog učenja

4. klasificirati, objasniti i analizirati arhitekture dubokih neuronskih mreža i algoritme dubokog učenja

5. izabrati i primijeniti odgovarajuće metode i modele dubokog učenja u rješavanju konkretnog problema u inteligentnim transportnim sustavima

6. prilagoditi vlastito programsko rješenje zasnovano na metodama dubokog učenja za implementaciju na ciljnu platformu



Aktivnosti studenta:

Aktivnost studenta Broj radnih sati ECTS (Broj radnih sati/30) Ishod(i) učenja Nastavna
metoda
Metoda procjene Bodovi
Pohađanje Predavanja (PR), Laboratorijske vježbe (LV), Konstrukcijske vježbe (KV)451.51,2,3,4,5,6Predavanja (PR), Laboratorijske vježbe (LV), Konstrukcijske vježbe (KV)Predavanja (PR), Laboratorijske vježbe (LV), Konstrukcijske vježbe (KV)05
Pisanje priprema za LV, analiza rezultata, te pisanje izvještaja3012,3,5,6Laboratorijske vježbe (LV)Provjera pripreme za LV, nadzor provođenja LV-a, provjera napisanih izvještaja1525
Rješavanje problema zadanog na KV451.53,5,6Konstrukcijske vježbe (KV)Vrednovanje rješenja za zadani problem1530
Priprema za usmeni ispit i usmeno odgovaranje na pitanja3011,2,4,5Usmeni ispitProvjera danih odgovora2040