Pogoji za vključitev v delo oz. za opravljanje študijskih obveznosti:

Končana druga bolonjska stopnja ustrezne smeri ali univerzitetni študij VII stopnje.

Vsebina:

1. Uvod v umetno inteligenco
2. Specifika podatkov v geoznanosti:
   • kompozitni podatki,
   • orientacije,
   • ekstremne vrednosti,
   • tributivni podatki.
3. Nevronske mreže:
   • lastnosti,
   • vrste,
   • topologije,
   • propagacija naprej in
   • povratne mreže.
4. Metode strojnega učenja mrež:
   • nadzorovano
   • nenadzorovano
   • okrepljeno
   • evolucijsko
5. Priprava podatkov, validacija
6. Dobre in slabe lastnosti nevronskih mrež
7. Načini pristopa k problemu
8. Primeri iz prakse
9. Druge metode umetne inteligence:
   • linearna in multipla regresija,
   • odločitvena drevesa,
   • metoda podpornih vektorjev,
   • “mehka” logika ipd.
10. samostojne vaje

Temeljni literatura in viri:

• Nielsen A.M. Neural Networks and deep learning. Determination press, 2015, 224 p.
• https://static.latexstudio.net/article/2018/0912/neuralnetworksanddeeplearning.pdf
• http://neuralnetworksanddeeplearning.com/
• Haykin S. Neural Networks and learning machines, 3rd ed. Prentice Hall, 2009.
  https://dai.fmph.uniba.sk/courses/NN/haykin.neural-networks.3ed.2009.pdf
• ŽIBRET, Gorazd, ŠAJN, Robert. Hunting for geochemical associations of elements: factor analysis and self-organising maps. Mathematical geology. 2010, vol. 42, no. 6, str. 681-703. DOI: 10.1007/s11004-010-9288-3.
• ŽIBRET, Gorazd, ŠAJN, Robert, ALIJAGIĆ, Jasminka, STAFILOV, Trajče. Use of neural networks in the geochemical data interpretation. Zeitschrift für geologische Wissenschaften. 2012, bd. 40, h. 4/5, str. 253-266.
• CERAR, Sonja, MEZGA, Kim, ŽIBRET, Gorazd, URBANC, Janko, KOMAC, Marko. Comparison of prediction methods for oxygen-18 isotope composition in shallow groundwater. Science of the total environment. 2018, vol. 631-632, str. 358-368. DOI: 10.1016/j.scitotenv.2018.03.033.

Cilji in kompetence:

Študent oz. študentka pozna osnove metod umetne inteligence in jih je zmožen uporabiti metode nevronskih mrež pri reševanju problemov

Predvideni študijski rezultati:

Študentka oz. študent je zmožen samostojne uporabe metod nevronskih mrež z uporabo simulatorja MemBrain. Zna analizirati problem, določiti primerne topologije mrež, pripraviti podatke, mrežo naučiti, dobljeni model primerno ovrednotiti in ga tudi uporabiti v praksi.

Metode poučevanja in učenja:

• Predavanja
• Seminar
• Individualne naloge
• Konzultacije
• e-izobraževanje

Načini ocenjevanja:

• Seminarska naloga z zagovorom 100 %