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

  1. Identificirati i objasniti osnovne tehnike obrade signala
  2. Identificirati i objasniti osnovne tehnike strojnog učenja
  3. Identificirati i objasniti osnovne tehnike obrade i analize slike
  4. Identificirati i objasniti osnovne tehnike analize teksta
  5. Identificirati i objasniti osnovne tehnike analize govornih signala
  6. Identificirati i objasniti osnovne tehnike računalnih financija
  7. Identificirati i objasniti osnovne tehnike bioinformatike
  8. 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.

Laboratorij

Laboratorijske 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

  1. Uvod. Osnovni pojmovi.
  2. Vremenski kontinuirani Fourierov red. Uvod u obradu signala u Pythonu. Primjena na vodostaju rijeke.
  3. Diskretna Fourierova transformacija. Fourierova transformacija na vremenskom otvoru. Valićna transformacija. Primjena na vodostaju rijeke.
  4. Uvod u bioinformatiku. Tipovi podataka u bioinformatici. Algoritmi poravnanja.
  5. Prikaz sekvenci DNA kao signal. Konvolucija signala kao mjera sličnosti. MAFFT algoritam, određivanja sličnosti sekvenci pomoću brze Fourierove transformacije.
  6. 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).
  7. Skriveni Markovljevi modeli (HMM) - nalaženje najizvjesnijeg slijeda skrivenih stanja (Viterbi algoritam); Određivanje optimalnih parametara HMM modela za višestruke observacijske nizove (treniranje modela).
  8. Međuispit
  9. Uvod u kvantitativne financije. Tipovi podataka u financijama. Osnovna svojstva financijskih vremenskih nizova.
  10. Uvod u analizu multivarijatnih podataka. Analiza glavnih komponenti. Primjene u kvantitativnim financijama.
  11. Analiza digitalnih slika. Problem detekcije objekata. Osnove funkcioniranja i treniranja umjetnih neuronskih mreža.
  12. Posebnosti i praktični aspekti postupka treniranja neuronskih mreža. Klasifikacija ulaznih uzoraka. Detekcija objekata neuronskim mrežama.
  13. Podaci, signali, sustavi te invarijante i simetrije. Profilometrija projiciranjem pruga.
  14. Registracija i postupak iterativne najbliže točke (ICP).
  15. Završni ispit

Studijski programi

Sveučilišni preddiplomski
Elektrotehnika i informacijska tehnologija (studij)
Izborni predmeti (5. semestar)
Obradba informacija (modul)
(5. semestar)
Računarstvo (studij)
Izborni predmeti (5. semestar)

Literatura

James H. McClellan, Ronald Schafer, Mark Yoder (2015.), Signal Processing First, Pearson College Division
Rafael C. Gonzalez, Richard Eugene Woods (2008.), Digital Image Processing, Prentice Hall

Laboratorijske vježbe

Za studente

Izvedba

ID 183369
  Zimski semestar
5 ECTS
R1 Engleski jezik
R1 E-učenje
45 Predavanja
15 Laboratorijske vježbe

Ocjenjivanje

87 izvrstan
75 vrlo dobar
64 dobar
50 dovoljan