×
Študij fizike Študij matematike Raziskave O fakulteti EN
Dogodki Obvestila Imenik Urniki Knjižnica Založba Za sodelavce Iskanje

Inteligentni sistemi

2026/2027
Program:
Interdisciplinarni univerzitetni študijski program 1. stopnje Računalništvo in matematika
Letnik:
3 letnik
Semester:
prvi
Vrsta:
izbirni
ECTS:
6
Jezik:
angleški
Nosilec predmeta:

Marko Robnik Šikonja

Ure na teden – 1. semester:
Predavanja
3
Seminar
0.4
Vaje
1.6
Laboratorij
0
Pogoji za vključitev v delo oz. za opravljanje študijskih obveznosti

Za uspešno delo je potrebno poznavanje osnov statistike in programiranja.

Vsebina

Teme predavanj:

  1. Uvod v inteligentne sisteme in podatkovne vede
  2. Računanje po vzorih iz narave (genetski algoritmi, genetsko programiranje)
  3. Uvod v strojno učenje
  4. Pristranskost, varianca in pretirano prilagajanje
  5. Učenje predstavitev in izbira atributov
  6. Ansambelske metode
  7. Jedrne metode
  8. Nevronske mreže: arhitekture, vzvratno razširjenje napak, globoke nevronske mreže
  9. Razlaga modelov
  10. Obdelava naravnega jezika: predstavitev besedil, pridobivanje informacij, klasifikacija besedil, semantična podobnost
  11. Spodbujevano učenje: osnovni pristopi in algoritmi, učenje Q, učenje TD, globoko spodbujevano učenje
Temeljni literatura in viri

G. James, D. Witten, T. Hastie, and R. Tibshirani, 2021. An introduction to statistical learning with applications in R, 2nd edition. New York: Springer.

D. Jurafsky, J. H. Martin. Speech and language processing: An introduction to natural language processing, computational linguistics, and speech recognition. 3rd edition draft, 2022

Richard S. Sutton and Andrew G. Barto: Reinforcement Learning, An Introduction, 2nd edition, MIT press, 2018

Cilji in kompetence

Cilj predmeta je študente seznaniti s področjem inteligentnih sistemov, ki vsebuje nabor orodij in pristopov za reševanje problemov, ki jih je težko ali nepraktično reševati z drugimi metodami. Študenti morajo biti sposobni teoretično znanje praktično uporabiti na realnih problemih iz znanstvenega in poslovnega okolja. Študenti morajo biti za dani problem sposobni presoje, katero od predstavljenih tehnik uporabiti, ter sestaviti prototip rešitve.

 

Splošne kompetence:

  • sposobnost razumevanja in reševanja profesionalnih izzivov,

  • sposobnost profesionalne komunikacije v domačem in tujem jeziku,

  • sposobnost samostojne uporabe pridobljenega znanja za reševanje tehničnih in znanstvenih problemov v računalništvu in informatiki,

  • seznanjenost z raziskovalnimi metodami na področju računalništva in informatike.

 

Predmetno-specifične kompetence:

  • uporaba osnovnih algoritmov strojnega učenja

  • predpriprava podatkov za podatkovno rudarjenje

  • izbira pomembnih atributov

  • vrednotenje odločitvenih modelov

  • uporaba sistemov za podatkovno analizo

  • uporaba sistemov za optimizacijo z evolucijskim računanjem

  • analiza besedil s tehnikami podatkovnega rudarjenja

  • uporaba orodij za spodbujevano učenje.

Predvideni študijski rezultati

Ob koncu predmeta bodo študenti;

  • poznali in uporabljali različne tehnike in metode, ki se uporabljajo pri modeliranju inteligentnih sistemov

  • poznali in uporabljali orodja za strojno učenje

  • poznali in uporabljali pristope za analizo besedil

  • reševali in analizirali konkretne primere inteligentnih sistemov z uporabo znanstvenih metod

  • uporabljali in vrednotili orodja za statistično modeliranje in podatkovno rudarjenje

  • sposobni analize problemov s področja inteligentnih sistemov in izbora primernih tehnik za njihovo reševanje

  • uporabljali in medsebojni primerjali metode evolucijskega računanja

Metode poučevanja in učenja

Predavanja, vaje z ustnimi nastopi in predstavitvami, seminarski način dela pri domačih nalogah. Študenti bodo v manjših skupinah samostojno reševali realen problem. Skupine bodo svoje naloge in rešitve opisale v pisnem poročilu in predstavile ostalim v obliki kratke predstavitve, ki je ocenjena skupaj s poročilom.
Načini ocenjevanja

Način: pisni in ustni izpit, naloge, projekt.

Sprotno preverjanje: domače naloge, kolokviji in projektno delo.
Končno preverjanje: pisni in ustni izpit.

Ocene: 6-10 pozitivno, 5 negativno
(v skladu s Statuom UL).

Reference nosilca
  1. VREŠ, Domen, ROBNIK ŠIKONJA, Marko. Preventing deception with explanation methods using focused sampling. Data mining and knowledge discovery. 2023, vol. , no. , str. 1-46
  2. MIOK, Kristian, ŠKRLJ, Blaž, ZAHARIE, Daniela, ROBNIK ŠIKONJA, Marko. To BAN or not to BAN: Bayesian attention networks for reliable hate speech detection. Cognitive computation.  Jan. 2022, vol. 14, iss. 1, str. 353-371
  3. ŠKVORC, Tadej, GANTAR, Polona, ROBNIK ŠIKONJA, Marko. MICE: mining idioms with contextual embeddings. Knowledge-based systems. Jan. 2022, vol. 235, str. 1-11
  4. MARTINC, Matej, POLLAK, Senja, ROBNIK ŠIKONJA, Marko. Supervised and unsupervised neural approaches to text readability. Computational linguistics. 2021, vol. 47, no. 1, str. 141-179
  5. LAVRAČ, Nada, ŠKRLJ, Blaž, ROBNIK ŠIKONJA, Marko. Propositionalization and embeddings: two sides of the same coin. Machine learning. 2020, vol. 109, no. 7, str. 1465-1507.

Celotna bibliografija je dostopna na SICRISu https://cris.cobiss.net/ecris/si/sl/researcher/8741

Complete bibliography is available in SICRIS: https://cris.cobiss.net/ecris/si/en/researcher/8741