Ovaj fokusirani kratki kurs uvodi ključne koncepte kompjuterske vizije (CV) i savremenih konvolucionih neuronskih mreža (CNN), a zatim ih primjenjuje u praksi. Polaznici će razumjeti kako se slike pretvaraju u osobine, kako CNN modeli uče robusne reprezentacije i kako trenirati/ocjenjivati modele za stvarne zadatke. Namijenjen studentima, istraživačima i profesionalcima sa osnovnim znanjem Pythona, kurs spaja jasan teorijski okvir i hands-on radionicu koja isporučuje funkcionalan klasifikator slika i praktične savjete za povećanje tačnosti i robusnosti. Polaznici će imati priliku da svoje eksperimente pokrenu i na lokalnom HPC klasteru.
Datum kursa: 29.10.2025. u 13:30 (S32, UDG)
Prijava je obavezna putem linka https://forms.gle/1FkRDBGCxdrPx9fF6
Namijenjeno za: studente, istraživače i profesionalce
Pregled sadržaja
Sesija 1 — teorijski okvir
- pikseli → osobine: konvolucije, padding/stride, receptivna polja
- ključni blokovi: aktivacije, pooling, batchnorm, dropout, rezidualne veze
- referentne arhitekture: LeNet → ResNet → EfficientNet
- osnove treniranja: gubici, optimizatori, LR rasporedi, augmentacija, metrike
- osnove transfer učenja
Sesija 2 — praktična radionica (hands-on)
- postavljanje okruženja + dataset (CIFAR-10 ili mali prilagođeni), čisti splitovi, transformacije
- bazni CNN: treniranje → evaluacija (accuracy/F1, konfuziona matrica)
- fino podešavanje unaprijed istreniranog ResNet-a; zamrzavanje/odmrzavanje; early stopping
- izvoz najboljeg modela (pth/onnx) i mali skript za inferencu
Ishodi učenja
Po završetku, polaznici će moći da:
- objasne kako CNN izvlači hijerarhijske osobine i zašto su bitni ključni blokovi/arhitekture;
- izgrade stabilan trening-pipeline uz korektne splitove, augmentaciju i metrike
- Podese unaprijed istreniran model i dijagnostikuju greške alatima za interpretabilnost;
- izvoze istreniran model za upotrebu u aplikacijama ili servisima.