Kурс има за циљ да студентима пружи дубље разумевање основних теорија и метода машинског учења и алгоритама вештачке интелигенције, као и напредних техника и метода у области интелигентних система управљања: • технике идентификације и управљања динамичких система, заснованих на методама вештачке интелигенције, и њихова примена у интелигентним системима управљања; • технике класификације и препознавања узорака, засноване на методама вештачке интелигенције, и њиова примена. Након курса, студенти ће бити у стању да примене стечено знање за решавање проблема у својим истраживачким областима.

По успешном завршетку овог курса, студенти би требало да буду оспособљени да: • Разумеју принципе и функционисање различитих техника интелигентног управљања. • Разумеју теоријске основе метода интелигентног управљања са становишта идентификације и управљања динамичких система. • Изврше синтезу и анализу интелигентних система управљања заснованих на комбинацији различитих теорија: неуронске мреже, фази системи, генетски алгоритми, еволутивни алгоритми, итд.

Увод у вештачке неуронске мреже. Неуронске мреже без повратних спрега. Рекурентне неуронске мреже. Неуронске мреже са радијално базисним функцијама. Метода потпорних вектора. Само-организирајуће неуронске мреже. Идентификација нелинеарних система применом вештачких неуронских мрежа. Управљање нелинеарних система применом вештачких неуронских мрежа. Класификација узорака и препознавање слика применом неуронских мрежа. Генерски алгоритам. Еволутивни алгоритми. Неуро-фази системи.

PA: Практична настава укључује рачунске задатке који прате садржај курса. ПЛ: Експериментални рад: примена рачунара у симулацији и евалуацији интелигентних система управљања, као и њихова практична реализација коришћењем пакета Matlab/Simulink на различитим објектима управљања у склопу модуларног едукационог система управљања у реалном времену (обрнуто клатно, двоструко обрнуто клатно, DC серво мотор, струјно термички објект, систем од два проточна резервоара).

Дефинисано курикулумом студијског програма/модула.

• Mодуларни едукациони систем управљања у реалном времену са различитим објектима управљања (DC серво мотор, обрнуто клатно, двоструко обрнуто клатно, струјно термички објект, систем од два проточна резервоара), са аквизиционим хардвером и софтвером. • Лабораторија за интелигентне системе управљања.

Укупан фонд часова: 65

Ново градиво: 35
Разрада и примери (рекапитулација): 15

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: 15
Преглед и оцена пројекта: 0
Колоквијум са оцењивањем: 0
Тест са оцењивањем: 0
Завршни испит: 0

Активност у току предавања: 0
Тест/колоквијум: 0
Лабораторијска вежбања: 10
Рачунски задаци: 0
Семинарски рад: 40
Пројекат: 0
Завршни испит: 50
Услов за излазак на испит (потребан број поена): 0

Simon Haykin, "Neural Networks and Learning Machines", Vol. 3. Upper Saddle River, NJ, USA:: Pearson, 2009.; Ethem Alpaydin, "Introduction to machine learning", 2nd Edition, The MIT Press, Cambridge, England, 2010.; W. Thomas Miller, Richard S. Sutton, Paul J. Werbos, "Neural networks for control", The MIT Press, Cambridge, MA, USA, 1995.