red. prof. dr. Srđan Škrbić
E-mail: srdjan.skrbic@fis.unm.
Govorilne ure: po dogovoru
Srdjan Škrbić je leta 2004 zagovarjal magistrsko nalogo in leta 2006 zanjo prejel nagrado “Mileva Marić – Einstein” na Univerzi v Novem Sadu v Srbiji. Leta 2009 je zagovarjal doktorsko disertacijo, leta 2019 pa je bil izvoljen v naziv rednega profesorja na isti univerzi. Poučeval je več kot deset različnih akademskih predmetov na različnih področjih računalništva in IT.
V predhodnih raziskavah se je osredotočil na aplikacije mehke logike pri shranjevanju in pridobivanju podatkov. V zadnjih letih se je osredotočil na raziskovalne teme na področju znanstvenega, vzporednega in visoko zmogljivega računalništva, pa tudi na analizo velikih podatkov in strojno/globoko učenje. Objavil je več kot 50 znanstvenih člankov in je zelo aktiven v različnih vrstah raziskovalnih projektov, sodeloval pri sedemnajstih mednarodnih projektih, vključno z H2020, Erasmus, Interreg transnational and cross-border ter SCOPES. Več informacij na https://skrbic.fis.unm.si.
Fakulteti za informacijske študije v Novem mestu se je pridružil leta 2022.
—
In prior research, he was focused on applications of fuzzy logic in data storage and retrieval, while in recent years, he has focused on research topics in scientific and high-performance computing, as well as machine learning and deep learning. He has published more than 50 research papers and participated in seventeen international projects including H2020, Erasmus, Interreg transnational and cross-border, and SCOPES. More information at https://skrbic.fis.unm.si. He joined the Faculty of Information Studies in Novo mesto in 2022.
2. letnik
Odkrivanje znanja v podatkih
Predmet študente seznani s procesom odkrivanja znanja v podatkih in njegovo arhitekturo (metode in proces odkrivanja znanja, naloge in aplikacije podatkovnega rudarjenja, modeli odkrivanja znanja). Predstavi osnove strojnega učenja ter tehnike podatkovnega rudarjenja (asociacijska pravila, odločitvena drevesa, najbližji sosed, Bayesova klasifikacija, analiza grozdenja). Študenti prav tako spoznajo podatkovna skladišča, podatkovno kocko in analize tipa OLAP. Študentje pripravijo študijo realnih primerov odkrivanja znanja iz podatkov, spletnih virov oz. besedil. Povezava na učni načrt.
Izbirni predmeti
Razvoj programskih rešitev za mala podjetja
Študentje pri predmetu spoznajo posebnosti organiziranja in delovanja malih in mikro podjetij ter njihovih informacijskih sistemov, posebnosti vloge informatikov v malih podjetjih, načine razvoja in prenove programskih rešitev v malih podjetjih in prototipni pristop kot eno od metod razvoja programskih rešitev za mala podjetja. Na vajah študentje uporabljajo aktualna programska orodja za izdelavo prototipne rešitve, ki jih izkoristijo za reševanje konkretnih problemov iz malih podjetij. Izdelajo tudi projekt, ki obravnava konkreten problem s področja poslovanja malih/mikro podjetij, in ga z izbiro pravilnega orodja v parih obdelajo ter izdelajo manjšo delujočo programsko rešitev. Povezava na učni načrt.
Izbirni predmeti
Analiza velikih količin podatkov
Pri predmetu se študenti seznanijo z analizo velikih količin podatkov ter opredelijo, kaj so to veliki podatki, kje jih najdemo in kako jih shranimo. Pregledajo tudi načine grafičnega predstavljanja velikih količin podatkov, filtriranje podatkov v tokovih ter oglaševanje na internetu. Prav tako se seznanijo z uporabo visoko zmogljivih računalnikov za analizo velikih količin podatkov. Na koncu tako študenti razumejo posebnosti analize velikih količin podatkov v primerjavi s klasičnimi podatkovnimi analizami. Prav tako pa tudi spoznajo metode, ki so primerne za analize tovrstnih podatkov in z uporabo zelo zmogljivih računalnikov in sodobne odprtokodne opreme izvedejo analizo na enem primeru velike količine podatkov. Povezava na učni načrt.
Izbirni predmeti
Analiza velikih količin podatkov
Pri predmetu se študenti seznanijo z analizo velikih količin podatkov ter opredelijo, kaj so to veliki podatki, kje jih najdemo in kako jih shranimo. Pregledajo tudi načine grafičnega predstavljanja velikih količin podatkov, filtriranje podatkov v tokovih ter oglaševanje na internetu. Prav tako se seznanijo z uporabo visoko zmogljivih računalnikov za analizo velikih količin podatkov. Na koncu tako študenti razumejo posebnosti analize velikih količin podatkov v primerjavi s klasičnimi podatkovnimi analizami. Prav tako pa tudi spoznajo metode, ki so primerne za analize tovrstnih podatkov in z uporabo zelo zmogljivih računalnikov in sodobne odprtokodne opreme izvedejo analizo na enem primeru velike količine podatkov. Povezava na učni načrt.
Visoko zmogljivo računalništvo
Študenti bodo pri predmetu usvojili sposobnost algoritmičnega razmišljanja, sposobnost obvladovanja in pretvorbe realnega problema v obliki lažje predstavljivega modela, pridobili bodo napredna znanja s področja visoko zmogljivih računalnikov, paralelnega procesiranja ter HADOOP in znali teoretična znanja uporabiti v praksi ter z ustreznimi metodološkimi pristopi reševati probleme na predlaganih področjih. Cilj predmeta je osvojitev naprednih znanj s področij visoko zmogljivega računalništva, paralelnega procesiranja ter HADOOP, konfiguracija HADOOP, izraba paralelnih sistemov, razumevanje primernosti teoretičnih metod za reševanje praktičnih problemov ter njihovih omejitev in kombiniranje znanj pridobljenih pri predmetih s področja strojne opreme, programske opreme, algoritme ter programiranja. Povezava na učni načrt.
Podatkovno rudarjenje
Predmet Podatkovno rudarjenje študente seznani s procesom odkrivanja zakonitosti v podatkih in njegovo arhitekturo (metode in proces odkrivanja znanja, naloge in aplikacije podatkovnega rudarjenja). Predstavi osnove strojnega učenja ter tehnike podatkovnega rudarjenja (odločitvena drevesa, k-najbližji sosed, Bayesova klasifikacija, genetski algoritmi, delitvene metode, hierarhične metode, metode gostote, mrežno razvrščanje, samoorganizirajoče nevronske mreže-Kohonenova nevronska mreža). S tem študente usposobi za zahtevnejšo obdelavo rezultatov, pri čemer uporabljajo najaktualnejša programska orodja za podatkovno rudarjenje (WEKA, Rapidminer). Študentje pripravijo raziskovalno nalogo (samostojno kratko raziskovalno delo, ki bo temeljilo na primerjavi različnih tehnik in postopkov podatkovnega rudarjenja) ter projekt (v manjših skupinah, vključuje konkreten problem). Povezava na učni načrt.
Izbirni predmeti
Analiza velikih količin podatkov
Pri predmetu se študenti seznanijo z analizo velikih količin podatkov ter opredelijo, kaj so to veliki podatki, kje jih najdemo in kako jih shranimo. Pregledajo tudi načine grafičnega predstavljanja velikih količin podatkov, filtriranje podatkov v tokovih ter oglaševanje na internetu. Prav tako se seznanijo z uporabo visoko zmogljivih računalnikov za analizo velikih količin podatkov. Na koncu tako študenti razumejo posebnosti analize velikih količin podatkov v primerjavi s klasičnimi podatkovnimi analizami. Prav tako pa tudi spoznajo metode, ki so primerne za analize tovrstnih podatkov in z uporabo zelo zmogljivih računalnikov in sodobne odprtokodne opreme izvedejo analizo na enem primeru velike količine podatkov. Povezava na učni načrt.
Visoko zmogljivo računalništvo
Študenti bodo pri predmetu usvojili sposobnost algoritmičnega razmišljanja, sposobnost obvladovanja in pretvorbe realnega problema v obliki lažje predstavljivega modela, pridobili bodo napredna znanja s področja visoko zmogljivih računalnikov, paralelnega procesiranja ter HADOOP in znali teoretična znanja uporabiti v praksi ter z ustreznimi metodološkimi pristopi reševati probleme na predlaganih področjih. Cilj predmeta je osvojitev naprednih znanj s področij visoko zmogljivega računalništva, paralelnega procesiranja ter HADOOP, konfiguracija HADOOP, izraba paralelnih sistemov, razumevanje primernosti teoretičnih metod za reševanje praktičnih problemov ter njihovih omejitev in kombiniranje znanj pridobljenih pri predmetih s področja strojne opreme, programske opreme, algoritme ter programiranja. Povezava na učni načrt.
Podatkovno rudarjenje
Predmet Podatkovno rudarjenje študente seznani s procesom odkrivanja zakonitosti v podatkih in njegovo arhitekturo (metode in proces odkrivanja znanja, naloge in aplikacije podatkovnega rudarjenja). Predstavi osnove strojnega učenja ter tehnike podatkovnega rudarjenja (odločitvena drevesa, k-najbližji sosed, Bayesova klasifikacija, genetski algoritmi, delitvene metode, hierarhične metode, metode gostote, mrežno razvrščanje, samoorganizirajoče nevronske mreže-Kohonenova nevronska mreža). S tem študente usposobi za zahtevnejšo obdelavo rezultatov, pri čemer uporabljajo najaktualnejša programska orodja za podatkovno rudarjenje (WEKA, Rapidminer). Študentje pripravijo raziskovalno nalogo (samostojno kratko raziskovalno delo, ki bo temeljilo na primerjavi različnih tehnik in postopkov podatkovnega rudarjenja) ter projekt (v manjših skupinah, vključuje konkreten problem). Povezava na učni načrt.