Вештачке неуронске мреже представљају једну од најважнијих и најзаступљенијих парадигми вештачке интелигенције, тако да овај предмет има за циљ да студенте докторских студија, преко теоријских и практичних аспеката, односно преко алгоритама машинског учења и процедура обучавања неуронских мрежа, у потпуности оспособи за самосталан развој, моделирање и примену вештачких неуронских мрежа у домену комплексне анализе рада интелигентних машинских система.

Исход овог предмета подразумева, поред увођења студената докторских студија у основну методологију моделирања комплексних проблема у машинству, да применом вештачких неуронских мрежа које поседују способност да науче и генерализују природу појединих феномена на основу познатих експерименталних података, утврде њихову погодност за моделирање и предвиђање промене функционалних карактеристика посматраних система или процеса, с обзиром да оне могу да се тренирају - обучавају тако да пронађу решење са одговарајућом тачношћу, препознају моделе понашања, класификују податке и предвиде будуће догађаје.

Теоријска настава је организована у више целина: • Интелигентне формализоване методологије и computational intelligence технике - Aдаптивно процесирање и улога вештачких неуронских мрежа у развоју computational intelligence техника, историјат развоја вештачких неуронских мрежа; • Вештачке неуронске мреже-основни концепти - Структуре вештачких неуронских мрежа, процесирајући елемент-неурон, активационе функције, алгоритми учења вештачких неуронских мрежа, симулација и процесирање неуронских мрежа; • Модели вештачких неуронских мрежа - основне парадигме и примери; • Хомогене вештачке неуронске мреже: перцептрон, "back-propagation" (BP) неуронска мрежа, компетитивне ART неуронске мреже, самоорганизујуће неуронске мреже, итд.; • Хетерогене вештачке неуронске мреже (мембрански потенцијал, неуронски модел, неуронски контролери).

Практична настава је организована у више целина: • Вештачке неуронске мреже у интелигентним технологијама - Формализовано концепцијско пројектовање, групна технологија, технолошко препознавање и представљање машинских делова, напредно пројектовање технолошких процеса, проблеми планирања и терминирања, системи препознавања - процесирање и анализа слике, мониторинг и дијагностика технолошких процеса, интелигентно управљање робота и машинских система, примена у бизнису и финансијама; • Развијени софтвери и њихова примена - BPnet, ART-Simulator, Python 3.14.0rc2 and 3.13.7, MATLAB, Neuro Solutions, итд.

Превасходно завршен технички факултет.

(1) З.Миљковић, Д.Алексендрић, ВЕШТАЧКЕ НЕУРОНСКЕ МРЕЖЕ – збирка решених задатака са изводима из теорије (II издање), Уџбеник, Универзитет у Београду - Машински факултет, 2018, 18.1 (2) З.Миљковић, Системи вештачких неуронских мрежа у производним технологијама, Серија монографских дела Интелигентни технолошки системи, Књига 8, Универзитет у Београду - Машински факултет, 2003, 18.1 (3) Софтверски пакети (BPnet, ART-Simulator, Python 3.14.0rc2 and 3.13.7, MATLAB), Лабораторија CeNT, Универзитет у Београду - Машински факултет, 18.13 (4) Лабораторијски прототипови мобилних робота (K-Team's Khepera II мобилни робот са хватачем и камером; LEGO Mindstorms NXT и LEGO Mindstorms EV3 комплети реконфигурабилних мобилних робота опремљени сензорима и микроконтролерима), Лабораторија CeNT, Универзитет у Београду - Машински факултет, 18.12 (5) Лабораторијски модел пројектованог технолошког система (учило), Лабораторија CeNT, Универзитет у Београду - Машински факултет, 18.12

Укупан фонд часова: 65

Ново градиво: 30
Разрада и примери (рекапитулација): 20

Аудиторне вежбе: 0
Лабораторијске вежбе: 0
Рачунски задаци: 0
Семинарски рад: 0
Пројекат: 0
Консултације: 0
Дискусија/радионица: 0
Студијски истраживачки рад: 0

Преглед и оцена рачунских задатака: 0
Преглед и оцена лабораторијских извештаја: 0
Преглед и оцена семинарских радова: 10
Преглед и оцена пројекта: 0
Колоквијум са оцењивањем: 0
Тест са оцењивањем: 0
Завршни испит: 5

Активност у току предавања: 20
Тест/колоквијум: 0
Лабораторијска вежбања: 0
Рачунски задаци: 0
Семинарски рад: 40
Пројекат: 0
Завршни испит: 40
Услов за излазак на испит (потребан број поена): 40

З. Миљковић, Д. Алексендрић, (2018) ВЕШТАЧКЕ НЕУРОНСКЕ МРЕЖЕ – збирка решених задатака са изводима из теорије, II издање, 225 стр. (ISBN 978-86-7083-961-8), Универзитет у Београду - Машински факултет.; Freeman, J.A., Skapura, D.M., (1991) NEURAL NETWORKS – ALGORITHMS, APPLICATIONS AND PROGRAMMING TECHNIQUES, 401 pp. (ISBN 9780201513769), Addison-Wesley Publishing Company.; Golden, R.M., (1996) MATHEMATICAL METHODS FOR NEURAL NETWORK ANALYSIS AND DESIGN, 419 pp. (ISBN 9780262071741), Cambridge, Mass.: The MIT Press.; Skapura, D.M., (1996) BUILDING NEURAL NETWORKS, ACM Press Series, 286 pp. (ISBN 9780201539219), Addison-Wesley Professional.; Zalzala, A.M.S., Morris, A.S., (1996) NEURAL NETWORKS FOR ROBOTIC CONTROL -THEORY AND APPLICATIONS, VIII+278 pp. (ISBN 0131198920), London, Ellis Horwood Limited.