Na ovoj stranici se mogu pronaći predložene teme za izradu projektnog rada iz Inteligentnih sistema. Ovo su samo predlozi tema, a moguće je, čak vrlo poželjno, da studenti sami predlože svoju temu iz oblasti koje se obrađuju na predavanjima i vežbama. Za temu iz date oblasti je zadužen nastavnik/saradnik koji je tu oblast i predavao na predavanjima i/ili vežbama.
Pre početka izrade seminarskog rada nephodno je da izabranu temu potvrdite sa nastavnikom/saradnikom za odgovarajuću oblast za koju je tema vezana. Za sve dodatne informacije obratite se nastavnicima/saradnicima na predavanjima, odnosno vežbama.
Neuronske mreže
Nastavnik/saradnik: Zoran Ševarac
1. Kreiranje izabrane arhitekture i algoritma za učenje neuronskih mreža Deep Learning arhitekture i algoritmi.
- Autoencoders
- Restricted Boltzman Machine
- Stacked Autoencoders
- DeepBelief Networks
Dodatne vrste neuronskih mreža:
- Probabilistic Neural Network
- General Regression Neural Network
- Bidirectional Associative Memory
- Boltzman Machine
Izabranu arhitekturu i algoritam potrebno je:
- isprogramirati u Javi-i, korišćenjem Neuroph framework-a
- dokumentovati kod (javadoc)
- dati osnovni primer primene
- napisati kratak tutorial u kome je objašnjeno šta je i kako napravljeno i kako se to koristi
2. Primere iz frejmvorka Weka i Encog implementirati u Neuroph-u i izvršiti poređenje i evaluaciju. Za izabrane datasetove koji su dati u Encog i Weka frejmvorksima, dati rešenja pomoću Neuroph frejmvorka. Rešenja uraditi u Java kodu i kroz GUI, a zatim izvršiti poređenje ta tri frejmvorka.
Mašinsko učenje, Analiza teksta, Web podataka
Nastavnik/saradnik: Jelena Jovanović, Nikola Milikić
Teme:
- Tema 1: Preporuka Web sadržaja (blog postova, novinskih članaka)
- Tema 2: Predviđanje cena proizvoda
- Tema 3: Klasterizacija i pretraživanje slika sa Flickr-a
- Tema 4: Klasterizacija bookmark-a na Diigo social bookmarking sajtu
- Tema 5: Ekstrakcija ključnih reči iz teksta primenom TextRank algoritma
- Tema 6: Ekstrakcija ključnih reči i izraza iz teksta primenom mera centralnosti
- Tema 7: Klasifikacija prikaza restorana (restaurant reviews) na osnovu izraženog sentimenta
- Tema 8: Analiza sentimenta Twitter poruka
- Tema 9: Preporuka knjiga zasnovana na atributima knjiga (content-based recommendation)
- Tema 10: Razvoj softverske biblioteke za računanje osnovnih metrika teksta
- Tema 11: Razvoj prediktivnog modela koriscenjem Stack Exchange Datasets
- Tema 12: Prepoznavanje i vizuelizacija ključnih tema u skupu dokumenata
Ekspertni sistemi, poslovna pravila
Nastavnik/saradnik: Bojan Tomić
Varijanta 1:
Pravljenje ES na željenu temu uz pomoć Drools alata i JEFF mehanizma za objašnjavanje. ES treba da ima bar 30 pravila i da pravi objašnjenja uz pomoć JEFF alata. Takođe, sistem bi trebalo da koristi i neku bazu podataka ili web servis da preuzme početne činjenice o problemu i/ili upiše konačno rešenje.
Varijanta 2:
Nadogradnja nekog od postojećih alata za razvoj ES, npr JEFF alata. JEFF je besplatan alat i njegov izvorni kod i API dokumentacija se mogu skinuti sa adrese: http://sourceforge.net/projects/jeff/. Izvorni kod se direktno preuzima sa SVN repozitorijuma i u obliku je NetBeans projekta. Potrebno ga je proširiti ili izmeniti u okviru seminarskog rada. Nekoliko dijagrama klasa kao i tutorial za JEFF se mogu naći ovde. Očekuje se da se seminarski upload-uje u ovaj repozitorijum na kraju rada. Radi održavanja nivoa kvaliteta projekta, neophodno je da sav kod bude detaljno testiran korišćenjem JUnit alata, kao i da bude kompletno dokumentovan javaDoc komentarima.
Dakle, seminarski je konkretan softver, nije potrebno pisati dokumentaciju. Potrebno je isprogramirati da JEFF ima (teme su):
- Unos alternativnih objašnjenja za isti jezik i lokal (različite uloge – variant) korišćenjem Java i18n biblioteke i klase Locale.
- Unos putanja za slike preko URL klase i internacionalizacija putanja za slike korišćenjem Java i18n biblioteke.
- Izmena postojećeg tekstualnog dela objašnjenja – mogućnost dodavanja linka ka nekom eksternom URL-u.
- Izmena postojećeg tekstualnog dela objašnjenja – mogućnost dodavanja linka ka nekom drugom delu objašnjenja. Uvodjenje ID za svaki deo objašnjenja.