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: 2019./2020.

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: Vidi tablicu aktivnosti