Objavljamo izvajalce in vsebine strokovnih izbirnih predmetov Tehnične veščine za študijsko leto 2026/2027.

Vsi izbirni predmeti so za vsak študijski program objavljeni v učnih načrtih predmetov (UNP), ki jih najdete na dnu opisov programov na podstrani Študij. Termini vpisov so objavljeni na podstrani Vpis.

Opomba: izvedba predmetov je predvidena v angleškem jeziku.

Opisi predmetov:

Tehnične veščine

Računalniški vid v biometriji / Computer Vision in Biometrics

Potrebno posebno predznanje: Dobro znanje programiranja in znanje Pythona.

Snov predmeta sestavljena iz treh glavnih vsebin: (I), zajem podatkov in pomembnost nepristranskosti in uravnoteženosti podatkov, (II) zaznava in segmentiranje slik za potrebe nadaljnje analize objektov, (III) prepozpoznava oseb in objektov. Študenti bodo ocenjeni skozi 5 seminarskih nalog.

Vsebina po tednih:

• Teden #1: V prvem tednu se študentje seznanijo s pregledom osnov računalniškega vida in biometrije. Naučijo se uvažati, prikazovati in shranjevati slike ter jih modificirati, vključno z zmanjševanjem, obrezovanjem, pretvorbo barv, svetlostjo in kontrastom. Poleg tega se učijo izboljševanja slik s histogramsko ekvivalizacijo, konvolucijami za ostrino in zameglitev ter nadaljujejo z detekcijo robov in segmentacijo slik.
• Teden #2: Pregled biometričnih modalnosti: obraz in deli obraza (uhlji, oči in deli oči), prsti, hoja, govor, prepoznava akcij, itd.
• Teden #3: Študentje spoznajo temelje zaznave objektov in poskusijo več različnik tehnik predobdelave slik za zaznavo objektov. Predstavi se jim podrobno delovanje in izračun piramidnih Haar-kaskad,implementirajo zaznavo obrazov z zajemom preko spletne kamere.
• Teden #4: V petem tednu se študentom predstavi delovanje globokih modelov. Seznanijo se z glavnimi modeli za zaznavo objektov, vključno s Fast R-CNN in YOLO; spoznajo tehnike predobdelave slik za globoko učenje. Poleg tega se obravnava evalvacija algoritmov za zaznavo in praktične pristope k implementaciji.
• Teden #5: Študentje se spoznajo semantično segmentacije slik s primeri iz biometrije, vse od preproste pragovne, do napredne z globokimi modeli.
• Teden #6: V nadaljevanju snovi iz 6. tedna se študenti spoznajo še z U-Net in Mask R-CNN modeli in jih evalvirajo na svojih podatkih.
• Teden #7: Študentje se spoznajo s področjem sledenja objektom in konkretne primere ocenjevanja poz s prepoznavo akcij oseb.
• Teden #8: Snov se nadaljuje v bolj napredne tehnike sledenja, proučijo se tehnike sledenja množicam in osebam v gnečah.
• Teden #9: Študentje pridobijo temelje prepoznavanja ljudi in mehkih biometričnih modalnosti. Spoznajo tehnike prepoznavanja s pomočjo primerjanja in ocenjevanja zmogljivosti algoritmov ter uporabo tehnik v realnem svetu.
• Teden #10: Študentje spoznajo pristope za razpoznavo na podlagi pridobivanja značilk z metodami analize vzorcev.
• Teden #11: Nadaljevanje snovi 11. tedna z vpeljavo različnih pristopov primerjave pridobljenih značilk.
• Teden #12: Študentje spoznajo globoke pristope za razpoznavo na slikah, vključno s konkretnimi modeli za prepoznavo ResNet, EfficientNet,ViT.
• Teden #13: Sledi nadaljevanje razpoznave oseb z globokimi modeli in konkretnimi rešitvami.
• Teden #14: Študentje združijo posamezne komponente (primarno zaznave in prepoznave) v zaključen, celovit biometrični cevovod. Predstavijo se jim trenutni najnovejši pristopi in primeri uporabe.
• Teden #15: Študentje se poučijo o temeljih pristranskosti, poštenosti in etike v umetni inteligenci in računalniškem vidu. Razumejo pojme pristranskosti in poštenosti v podatkovnih naborih slik, proučijo strategije za zbiranje in organizacijo nepristranskih slikovnih podatkov ter spoznajo in poskusijo tehnike označevanja podatkov. Študenti implementirajo več tehnik za zmanjševanje pristranskosti na obstoječih podatkih.

Agentno podprto računalništvo / Agentic computer science

Potrebno predznanje: Predznanje predvideva osnovno poznavanje procesa razvoja programske opreme oz. poznavanja vsaj ene vrste popularnega programskega jezika (Python, C#, JavaScript).

Predmet študente seznani z uporabo sodobnih orodij za razvoj programske opreme na podlagi uporabe jezikovnih agentov umetne inteligence. Raziskali bomo odprtokodne in prosto dostopne rešitve, ki omogočajo avtomatizacijo razvoja programske opreme s pomočjo umetne inteligence. Poslušalci predmeta se bodo iz razvijalcev prelevili v dirigente agentičnih opravil, s tem pa se bodo naučili avtomatizirati enostavna in kompleksnejša razvojna opravila s pomočjo velikih jezikovnih modelov v obliki agentov.

S postavitvijo lastnega razvojnega okolja, zasnovo problematike in realizacije lastne programske rešitve ob uporabi agentov, ter postopno interakcijo in evalvacijo različnih agentov za programiranje, bodo študenti dobili občutek za delo s temi orodji, ter razumevanje kaj v trenutni obliki ta orodja omogočajo in na katere predpostavke morajo biti pozorni, ko oblikujejo pozive za avtomatizacijo implementiranja funkcionalnosti v svojih projektnih rešitvah. Pri predmetu se bomo fokusirali na odprte rešitve, dotaknili pa se bomo tudi komercialnih produktov za t.i. “vibe coding” – pri tem pa bomo večino poskusili poganjati lokalno brez uporabe naročnin. Vsebina po tednih bo pokrivala:

• 1. teden: Uvod v predmet s pregledom orodij za agentični razvoj programske opreme
• 2. teden: Spoznavanje ekosistema Ollama in njene zbirke odprtih jezikovnih modelov (LLM).
• 3. teden: Spoznavanje orodja Claude Code in lokalna integracija okolja Ollama za agentično kodiranje.
• 4. teden: Spoznavanje orodja Codex in lokalna integracija okolja Ollama za agentično kodiranje.
• 5. teden: Spoznavanje orodja OpenCode in lokalna integracija okolja Ollama za agentično kodiranje.
• 6. teden: Spoznavanje orodja OpenClaw za osebno asistenco z okoljem Ollama.
• 7. teden: Izbira teme za projektno nalogo.
• 8. teden: Napotki in pazljivost pri pisanju pozivov z agentičnimi orodji.
• 9. teden: Spoznavanje AI vtičnikov v urejevalniku VS Code oz. VS Codium: Continue, Cline, Kilo Code
• 10. teden: Konzultacije in delo na projektnih nalogah.
• 11. teden: Vmesne predstavitve napredka pri projektnih nalogah.
• 12. teden: Prototipiranje izgleda grafičnih vmesnikov z uporabo pozivov v Figmi.
• 13. teden: Konzultacije in delo na projektnih nalogah.
• 14. teden: Končne predstavitve projektov

Uporaba platforme Nvidia Omniverse / Using Nvidia Omniverse Platform

Predmet pokriva spoznavanje vse bolj razširjene platforme Omniverse podjetja Nvidia, ki podpira izkoriščanje več grafičnih procesnih enot za realnočasovno simulacijo in sodelovanje v različnih 3D produkcijskih cevovodih temelječo ne Pixarjevem odprtem formatu za univerzalno predstavitev scen (angl. Universal Scene Description – USD). Predmet pokriva spoznavanje osnov uporabe platforme in več primerov uporabe v dejanskih situacijah.

Več v učnem načrtu predmeta Uporaba platforme Nvidia Omniverse.