Prijavi problem


Obeleži sve kategorije koje odgovaraju problemu

Još detalja - opišite nam problem


Uspešno ste prijavili problem!
Status problema i sve dodatne informacije možete pratiti klikom na link.
Nažalost nismo trenutno u mogućnosti da obradimo vaš zahtev.
Molimo vas da pokušate kasnije.
Улогујте се да бисте започели курс
Улогуј се
Погледај курс одмах
Преузми курс
Овај курс укључује
41 активности
Могућност самосталног рада

Савремена вештачка интелигенција за четврти разред специјализованих ИТ одељења

Oвај курс покрива једну наставну тему предмета Програмске парадигме и намењен је ученицима специјализованих ИТ одељења 4. разреда средње школе. Осмишљен је за све оне који желе да науче нешто више о савременoj вештачкoj интелигенцији и разумеју принципе њеног функционисања. Овој интересантној и надасве сложеној теми прићи ћемо из угла практичне примене, улоге података, дизајна алгоритама, оцене система вештачке интелигенције и друштвено битних аспеката.

Поред рада у школи, курс може да се пролази и самостално.

Creative Commons License
Овај курс Фондација Петља објавила je под лиценцом Creative Commons Autorstvo 4.0 Međunarodna Licenca (CC BY 4.0).

Аутор курса: Анђелка Зечевић
Рецензент: Петар Величковић
Лектор: Ивана Смоловић
Улогујте се да бисте започели курс
Улогуј се
Погледај курс одмах
Преузми курс

Садржај курса

Савремена вештачка интелигенција за четврти разред специјализованих ИТ одељења
Увод
Програмирање вођено подацима
Hands-on зона
Улога података
Припрема података
Линеарна регресија
Класификација
Преприлагођавање
Неуронске мреже - увод
Неуронске мреже - врсте и примена
Кластеровање
Друштвено битни аспекти развоја вештачке интелигенције

Шта ћеш научити

  • Шта је заједничко за највећи број система савремене вештачке интелигенције
  • Где сусрећемо системе вештачке интелигенције
  • Које је улога података у развоју једног система вештачке интелигенције
  • Како настају скупови података и на који начин се анализирају
  • Шта је машинско учење
  • Шта је задатак регресије и где се примењује
  • Како функционише алгоритам линеарне регресије
  • Шта је задатак класификације и где се примењује
  • Како функционишу алгоритам логистичке регресије и алгоритам к-најближих суседа
  • Шта је кластеровање и како функционише алгоритам к-средина
  • Шта су неуронске мреже и зашто су нам важне
  • Како се обучавају неуронске мреже
  • Које врсте неуронских мрежа постоје и где се примењују
  • Како се користе модели машинског учења за решавање практичних задатака
  • О чему водимо рачуна док развијамо систем вештачке интелигенције
  • Какав утицај ова област има на друштво

Потребне ствари за курс

  • Познавање програмског језика Python
  • Налог на платформи Google Colab или локална машина подешена у складу са смерницама које су доступне у оквиру курса

Садржај курса

4 лекције
4 лекције
3 лекције
4 лекције
3 лекције
4 лекције
5 лекција
3 лекције
3 лекције
4 лекције
3 лекције
1 лекција