Компјутерска симулација и вештачка интелигенција

ID: 0404
врста предмета: стручно-апликативни
носилац предмета: Бабић Р. Бојан
извођачи:
контакт особа: Бабић Р. Бојан
ниво студија: основне академске студије
ЕСПБ: 6
облик завршног испита: писмени
катедра: катедра за производно машинство

извођења

циљ

Циљ је да студенти развију способност за моделирање и анализу реалних система помоћу дискретне симулације, уз примену модела, анализу резултата симулације и упоређивање алтернативних решења. Вештачку интелигенцију спознаће кроз моделе, структуру интелигентних агената и машинско учење, а помоћу симулације и софтверских алата овладаће знањима неопходним за примену вештачких неуронских мрежа.

исход

По успешном завршетку курса студенти би требало да буду оспособљени да: • моделирају технолошке системе и друге дискретне системе, • имплементирају модел применом одговарајућег симулационог софтвера, • верификују изграђени модел, • вреднују и анализирају излазе из модела, да упореде алтернативна решења, • дају адекватне сугестије за оптимизацију реалног система, • изврше избор метода базираних на примени вештачких неуронских мрежа у функцији решавања инжењерских проблема, уз моделирање оптималне структуре, • самостално користе софтвера за симулацију вештачких неуронских мрежа, уз анализу и презентацију добијених резултата.

садржај теоријске наставе

Увод у дискретну симулацију. Шта је симулација, када користити симулацију, терминологија, класификација модела, типови симулације, кораци у симулационој студији, предности/недостаци симулационе студије. Концепт дискретне симулације, обрада листа. Симулациони пакет AnyLogic. Примена симулације. Верификовање и вредновање симулационих модела, анализа излазних података, упоређење алтернативних пројеката система. Симулација технолошких система. Вештачка интелигенција-дефиниције, основни појмови и парадигме. Базе знања, аквизиција знања, модели учења, дрво претраживања, развој "soft-computing"-а, аутономни системи. Структура вештачке неуронске мреже (ВНМ), неурон-процесирајући елемент, активационе функције. Модели ВНМ, алгоритми учења, неодређеност система, нелинеарност, естимација, кластеровање. Примена ВНМ.

садржај практичне наставе

Општи принципи и примери симулације. Симулација једноканалног система, управљање догађајима. Упознавање са софтверима за моделирање и анализу реалних система помоћу дискретне симулације (лабораторијски рад). Интелигентни агенти као основа развоја интелигентних система. Вештачке неуронске мреже у интелигентним системима. Упознавање са софтверима за симулацију вештачких неуронских мрежа (лабораторијски рад). Системи препознавања, симулација система вештачких неуронских мрежа, симулација кретања мобилног робота (примери). Израда домаћих задатака и семинарских радова везаних за симулацију реалних система и примену вештачких неуронских мрежа (системи препознавања-компјутерско гледање; препознавање типских технолошких форми машинских делова; препознавање објеката хватања-роботско гледање).

услов похађања

Дефинисано курикулумом студијског програма/модула.

ресурси

(1) Б.Бабић, РАЧУНАРСКИ ИНТЕГРИСАНИ СИСТЕМИ И ТЕХНОЛОГИЈЕ, Машински факултет, 2017,18.1 (2) З.Миљковић, СИСТЕМИ ВЕШТАЧКИХ НЕУРОНСКИХ МРЕЖА У ПРОИЗВОДНИМ ТЕХНОЛОГИЈАМА,Серија ИТС,Књига 8,Машински факултет,2003,18.1 (3) З. Миљковић, Д. Алексендрић, ВЕШТАЧКЕ НЕУРОНСКЕ МРЕЖЕ – збирка решених задатака са изводима из теорије, Машински факултет, Београд, 2009, 18.1 (4) Б. Бабић, З.Миљковић, Изводи са предавања и вежби, Машински факултет, Београд, 2011, 18.1 (5) Б. Бабић, З.Миљковић, "Moodle" софтвер у оквиру електронске учионице Машинског факултета за учење на даљину (http://147.91.26.15/moodle/), Машински факултет, Београд, 2011, 18.13 (6) Б. Бабић, З.Миљковић, Званична Интернет страна предмета Компјутерска симулација и вештачка интелигенција (http://cent.mas.bg.ac.rs/nastava/ksivi_mo/KSiVI_2009-2010.html), Машински факултет, Београд, 2011, 18.13 (7) AnyLogic софтвер за дискретну симулацију (8) З.Миљковић, СОФТВЕРСКИ ПАКЕТИ ЗА СИМУЛАЦИЈУ ВЕШТАЧКИХ НЕУРОНСКИХ МРЕЖА - BPnet, ART Simulator; Машински факултет-сајт: http://cent.mas.bg.ac.rs/nastava/ksivi_mo/KSiVI_2009-2010.html, 18.13

фонд часова

укупан фонд часова: 75

активна настава (теоријска)

ново градиво: 20
разрада и примери (рекапитулација): 10

активна настава (практична)

аудиторне вежбе: 0
лабораторијске вежбе: 22
рачунски задаци: 0
семинарски рад: 8
пројекат: 0
консултације: 0
дискусија/радионица: 0
студијски истраживачки рад: 0

провера знања

преглед и оцена рачунских задатака: 0
преглед и оцена лабораторијских извештаја: 0
преглед и оцена семинарских радова: 6
преглед и оцена пројекта: 0
колоквијум са оцењивањем: 0
тест са оцењивањем: 4
завршни испит: 5

провера знања (укупно 100 поена)

активност у току предавања: 15
тест/колоквијум: 20
лабораторијска вежбања: 0
рачунски задаци: 0
семинарски рад: 35
пројекат: 0
завршни испит: 30
услов за излазак на испит (потребан број поена): 30

литература

Б.Бабић, РАЧУНАРСКИ ИНТЕГРИСАНИ СИСТЕМИ И ТЕХНОЛОГИЈЕ, Машински факултет, 2017; J. Banks, J. S. Carson, B. L. Nelson and D. M. Nicol (2005), DISCRETE EVENT SYSTEM SIMULATION, 4th Ed., Pearson Education International Series. ; E. Alpaydin, (2004) INTRODUCTION TO MACHINE LEARNING, The MIT Press, Cambridge, Massachusetts London, England.; R. R. Murphy, (2000) INTRODUCTION TO AI ROBOTICS, A Bradford Book, The MIT Press, Cambridge, Massachusetts London, England.; ;