Obrada informacija
Opis predmeta
Kroz kolegij će studentima biti dan pregled osnovnih tehnika obrade informacija te pregled nekoliko područja primjene s pripadajućim karakterističnim postupcima obrade podataka. Studenti će se upoznati s vremenskom, frekvencijskom i vremensko frekvencijskom analizom signala, osnovnim postupcima strojnog učenja uz poseban naglasak na umjetne neuronske mreže. Odabrana područja primjene obrade informacija uključuju: obradu i analizu govornih signala, obradu i analizu slika, bioinformatiku i računalne financije.
Ishodi učenja
- Identificirati i objasniti osnovne tehnike obrade signala
- Identificirati i objasniti osnovne tehnike strojnog učenja
- Identificirati i objasniti osnovne tehnike obrade i analize slike
- Identificirati i objasniti osnovne tehnike analize teksta
- Identificirati i objasniti osnovne tehnike analize govornih signala
- Identificirati i objasniti osnovne tehnike računalnih financija
- Identificirati i objasniti osnovne tehnike bioinformatike
- Identificirati i objasniti osnovne tehnike kompleksnih mreža
Oblici nastave
Predavanja
Predavanja se odvijaju u predavaoni s jednim predavačem koji je ekspert za konkretnu temu. Predavanje je koncipirano kao interaktivno, a od studenata se očekuje da sudjeluju u diskusiji.
LaboratorijLaboratorijske vježbe održavaju se u laboratorijima opremljenim s računalima. Tijekom vježbi studenti isprobavaju teorijske koncepte te ih primjenjuju na konkretne probleme
Način ocjenjivanja
Kontinuirana nastava | Ispitni rok | |||||
---|---|---|---|---|---|---|
Vrsta provjere | Prag | Udio u ocjeni | Prag | Udio u ocjeni | ||
Laboratorijske vježbe | 50 % | 18 % | 50 % | 18 % | ||
Međuispit: Pismeni | 50 % | 40 % | 0 % | |||
Završni ispit: Pismeni | 50 % | 42 % | ||||
Ispit: Pismeni | 50 % | 82 % |
Tjedni plan nastave
- Uvod. Osnovni pojmovi.
- Vremenski kontinuirani Fourierov red. Uvod u obradu signala u Pythonu. Primjena na vodostaju rijeke.
- Diskretna Fourierova transformacija. Fourierova transformacija na vremenskom otvoru. Valićna transformacija. Primjena na vodostaju rijeke.
- Uvod u bioinformatiku. Tipovi podataka u bioinformatici. Algoritmi poravnanja.
- Prikaz sekvenci DNA kao signal. Konvolucija signala kao mjera sličnosti. MAFFT algoritam, određivanja sličnosti sekvenci pomoću brze Fourierove transformacije.
- Skriveni Markovljevi modeli (HMM) i njihova primjena za modeliranje vremenskih serija; Modeli s diskretnim observacijama. Evaluacija izvjesnosti niza observacija za zadani model (algoritam unaprijed i algoritam unazad).
- Skriveni Markovljevi modeli (HMM) - nalaženje najizvjesnijeg slijeda skrivenih stanja (Viterbi algoritam); Određivanje optimalnih parametara HMM modela za višestruke observacijske nizove (treniranje modela).
- Međuispit
- Uvod u kvantitativne financije. Tipovi podataka u financijama. Osnovna svojstva financijskih vremenskih nizova.
- Uvod u analizu multivarijatnih podataka. Analiza glavnih komponenti. Primjene u kvantitativnim financijama.
- Analiza digitalnih slika. Problem detekcije objekata. Osnove funkcioniranja i treniranja umjetnih neuronskih mreža.
- Posebnosti i praktični aspekti postupka treniranja neuronskih mreža. Klasifikacija ulaznih uzoraka. Detekcija objekata neuronskim mrežama.
- Podaci, signali, sustavi te invarijante i simetrije. Profilometrija projiciranjem pruga.
- Registracija i postupak iterativne najbliže točke (ICP).
- Završni ispit
Studijski programi
Sveučilišni preddiplomski
Izborni predmeti (5. semestar)[FER3-HR] Računarstvo - studij
Izborni predmeti
(5. semestar)
[FER2-HR] Obradba informacija - modul
(5. semestar)
Literatura
Laboratorijske vježbe

Dr. sc.
Denis Milošević
Za studente
Izvedba
ID 183369
Zimski semestar
5 ECTS
R1 Engleski jezik
R1 E-učenje
45 Predavanja
0 Seminar
0 Auditorne vježbe
15 Laboratorijske vježbe
0 Konstrukcijske vježbe
Ocjenjivanje
87 izvrstan
75 vrlo dobar
64 dobar
50 dovoljan