3. semestar · Obvezni · 6 ECTS
Osnove primijenjene umjetne inteligencije
O kolegiju
Temeljni koncepti umjetne inteligencije s naglaskom na razumijevanje načina rada, mogućnosti, ograničenja i odgovorne uporabe, bez formalne matematičke razrade algoritama. Obrađuju se rješavanje problema pretraživanjem, predstavljanje znanja i inteligentni agenti, paradigme učenja i podaci kao temelj AI rješenja, osnovni modeli strojnog učenja i njihova evaluacija, neuronske mreže te generativna umjetna inteligencija i sigurnosni rizici uporabe AI rješenja.Ishodi i teme
- Uvod u umjetnu inteligenciju: osnovni pojmovi, povijest glavnih paradigmi i razlika između klasičnog programiranja i sustava koji uče iz podataka
- Rješavanje problema pretraživanjem: stanja, akcije i ciljevi te neinformirano i informirano pretraživanje
- Logički pristupi, predstavljanje znanja, zaključivanje i ekspertni sustavi
- Inteligentni agenti i učenje pojačanjem
- Paradigme učenja i tipovi zadataka: klasifikacija, regresija i klasteriranje
- Podaci kao temelj sustava koji uče: izvori, relevantnost i skupovi za treniranje, validaciju i testiranje
- Kvaliteta podataka i pristranost: nedostajuće i stršeće vrijednosti, pogrešne oznake i neuravnotežene klase
- Nadzirano učenje: regresija, funkcija gubitka, pretreniranost i regularizacija
- Nadzirano učenje: klasifikacija, kNN, stabla odluke i logistička regresija
- Nenadzirano učenje: klasteriranje, k-means i smanjenje dimenzionalnosti
- Evaluacija modela: mjere za klasifikaciju, klasteriranje i regresiju te validacijski pristupi
- Promjenjivi i nepouzdani podaci: odmak i promjena distribucije podataka te provjera modela nakon uporabe
- Neuronske mreže i duboko učenje na konceptualnoj razini te uporaba pretreniranih modela
- Sekvencijalni podaci i rekurentne mreže: predviđanje vremenskih serija i otkrivanje anomalija
- Generativna umjetna inteligencija: promptovi, halucinacije i procjena izlaza, koncept RAG te sigurnosni rizici i EU AI Act
Izvođenje nastave i provjera znanja
Nastava se izvodi kroz predavanja i laboratorijske vježbe s vođenim primjerima na javno dostupnim skupovima podataka, uz alate poput okruženja Google Colab i biblioteke scikit-learn. Laboratorijske vježbe nose 60 posto ocjene, a završni usmeni ispit uz studentski projekt 40 posto.