U radu je prikazan hibridni pristup modelovanju izlazne
snage fotonaponskog sistema primenom veštačkih neuronskih
mreža. Predloženi model integriše meteorološke podatke,
rezultate PVsyst simulacije i eksperimentalna merenja, čime
se omogućava preciznija aproksimacija realnog ponašanja
sistema.
Analiza je sprovedena na mrežno povezanom fotonaponskom
sistemu nominalne snage 1 kW u regionu Niša, korišćenjem
skupa podataka za period od 2018. do 2022. godine sa ukupno
43 824 satna uzorka. Performanse modela evaluirane su
primenom standardnih statističkih metrika (RMSE, MAE i R²),
uz dodatnu analizu raspodele greške i slaganja
prediktovanih i merenih vrednosti.
Dobijeni rezultati pokazuju da predloženi ANN model
ostvaruje značajno unapređenje tačnosti u odnosu na PVsyst
simulaciju, sa vrednostima RMSE = 0.0107 kW, MAE = 0.0056
kW i R² = 0.9973, u poređenju sa RMSE = 0.0582 kW i R² =
0.9209 za simulacioni pristup. Analiza greške potvrđuje
odsustvo sistematskog odstupanja i dobru generalizaciju
modela.
Rezultati rada ukazuju na značajan potencijal hibridnih
data-driven pristupa za unapređenje modelovanja i
predikcije proizvodnje fotonaponskih sistema u realnim
uslovima rada.

Ovaj rad istražuje efekat algoritma pojačanog učenja i
formiranja funkcije nagrade za upravljanje autonomnim
vozilima u CARLA simulacionom okruženju. Sistematsko
poređenje on-policy i off-policy metoda dubokog pojačanog
učenja otkriva da off-policy metode, konkretno Soft
Actor-Critic i Twin Delayed Deep Deterministic Policy
Gradient, konzistentno konvergiraju ka degenerativnim
stacionarnim strategijama u scenarijima gradske vožnje, dok
on-policy metode održavaju optimalno ponašanje u vožnji.
Nadovezujući se na ovo saznanje, u radu je predložena
Endokrina Privremena Memorija (EPM) kao bio-inspirisani
dodatni sloj za Proximal Policy Optimization (PPO). EPM
uvodi naučeni signal rizika α koji dinamički kontroliše
koliko brzo Gated Recurrent Unit integriše nove
informacije. Princip je pozajmljen iz biologije - hormon
stresa kortizol na sličan način reguliše brzinu formiranja
memorija u mozgu. Kada je rizik nizak, α ima malu vrednost,
tako da se memorija sporo menja i agent vozi glatko i
stabilno. Sa povećanjem rizika, α raste, omogućavajući brzu
inkorporaciju novih senzorskih informacija. Eksperimentalna
evaluacija je demonstrirala da PPO proširen EPM modulom
postiže 28% nižu negativnu kumulativnu nagradu u poređenju
sa osnovnim PPO modelom, uz održavanje 87% brzine vožnje
koju je osnovni model imao. Ovi rezultati podržavaju
hipotezu da adaptivna privremena modulacija, bazirana na
biološkim endokrinim principima, pruža efikasan mehanizam
za poboljšanje stepena sigurnosti kod upravljanja
autonomnim vozilima.

Sisteme pametne infrastrukture zasnovane na Internetu
stvari (IoT) karakterišu visoka heterogenost uređaja,
dinamični uslovi rada i potreba za visokom pouzdanošću.
Tradicionalni pristupi detekciji grešaka oslanjaju se na
statičke pragove i ručno definisana pravila, što ograničava
adaptivnost sistema. U ovom radu predlaže se
telemetrijski-vođen adaptivni model sa samo-oporavljanjem
zasnovan na profilisanju ponašanja IoT uređaja. Predloženi
model koristi kontinuirano prikupljanje telemetrije za
izgradnju dinamičkog profila normalnog rada uređaja.
Detekcija anomalija zasniva se na odstupanju od
individualnog ponašanja uređaja, nakon čega
samo-oporavljajući modul autonomno aktivira mehanizme
oporavka.
Predložena arhitektura omogućava proširenje sa modulima za
edge računarstvo, digitalnog blizanca i mašinskog učenja
radi podrške prediktivnom održavanju. Rad predstavlja
arhitekturu sistema, algoritam rada i konceptualnu
validaciju kroz scenarije pametne infrastrukture.
Predloženi pristup omogućava povećanje pouzdanosti,
smanjenje potrebe za manuelnom intervencijom i skalabilnu
primenu u pametnim gradovima, energetskim mrežama i
industrijskim IoT sistemima.

Primene veštačke inteligencije u obrazovanju danas
su brojne, među kojima se kao značajna izdvaja predikcija
akademskog uspeha studenata metodama mašinskog učenja. Cilj
ovog rada je identifikacija i analiza trendova u primeni
metoda
mašinskog učenja u predikciji akademskog uspeha studenata u
visokom obrazovanju u poslednjih pet godina.
Sistematski pregled literature u ovoj oblasti sproveden je
na
osnovu unapred definisanih kriterijuma, a za obezbeđivanje
transparentnosti i nepristrasnosti korišćene su smernice
ukazane
PRISMA protokolom za sistematske preglede literature. U
analizu
je uključeno 46 studija.
Rezultati su pokazali da se najčešće u predikciji akademskog
uspeha implementiraju ansambl i klasični modeli, a da je
izuzetno
učestalo eksperimentisanje sa hibridnim modelima.
Performanse
modela su evaluirane korišćenjem metrika od kojih su
najčešće
tačnost i površina ispod ROC krive. Podaci koje ove studije
koriste
su prevashodno akademski i demografski, uz porast upotrebe
podataka sa LMS platformi.

U radu je primenjen Random Forest algoritam mašinskog
učenja radi utvrđivanja faktora koji najviše utiču na
postignuća studenata. Posmatrane su dve nezavisne
promenljive: aktivnost na nastavi (interakcija na
predavanjima i vežbama, ocenjena od 0 do 10) i broj bodova
na predispitnim obavezama (0–70). Krajnji cilj je
predviđanje nivoa znanja kodiranog kao 0 (slabo – ocena 5),
1 (srednje – ocene 6–8) i 2 (visoko – ocene 9–10).
Eksperiment je sproveden na realnim podacima 250 studenata
tokom dve školske godine, a proširen je simulacijom preko
9600 instanci u MATLAB-u. Random Forest model je pokazao
visoku tačnost i jasno istakao da predispitne obaveze imaju
znatno veći uticaj na konačni uspeh nego aktivnost na
nastavi. Rezultati su u skladu sa prethodnim istraživanjima
i pružaju konkretne smernice za unapređenje nastavnog
procesa.

This paper presents a part-of-speech (POS) tagger for the
Serbian language that supports the complete MULTEXT-East
morphosyntactic tagset containing 681 unique
morphosyntactic descriptors (MSDs). Five statistical
taggers from the NLTK library were trained on the SrWaC
corpus comprising 3.66 million sentences and evaluated on a
test set of 915,224 sentences (over 8 million tokens). The
Perceptron tagger achieved the highest exact-match accuracy
of 95.36%. In addition to tagger development, a detailed
per-attribute error analysis was conducted across eight MSD
positions: part of speech, type, gender, number, case,
person, formation, and specificity. The analysis reveals
that case disambiguation presents the greatest challenge
with 97.25% accuracy, while formation and specificity
attributes achieve near-perfect accuracy above 99%.
Furthermore, approximately 50.1% of all errors involve
multiple attribute positions simultaneously, indicating
cascade error patterns. The attribute-level error analysis
for Serbian POS tagging conducted in this paper provides
insights into future improvements of both statistical and
neural approaches.

State of health (SOH) and remaining useful life (RUL)
represent factors of the utmost importance to contemporary
battery management systems. This paper proposes an approach
to SOH and RUL prediction that integrates deep learning
with robust regression, primarily to mitigate the influence
of the capacity regeneration phenomenon (CRP) on the
quality of prediction. Application of both long short-term
memory (LSTM) and gated recurrent units (GRU) is
considered, along with layer normalization that helps train
more robust models. Furthermore, the prospects of model
compression are analyzed through the lens of dynamic
quantization. The utility of the proposed approach is
verified on the NASA dataset that contains actual
measurements for several lithium-ion batteries. The
proposed models demonstrate strong performance, achieving a
mean absolute percentage error (MAPE) of less than 0.7%, as
well as relative RUL prediction error as low as 0.99%.
Furthermore, an ablation study on layer normalization has
shown that this component yields models that are more
resilient to the capacity regeneration phenomenon. Model
compression proves to be effective as well, since it leads
to minimal degradation of performance, with MAPE loss below
1%. Finally, we provide a short overview of further
research directions.

This paper examines the theoretical challenges of creating
universal autonomous cognitive agents. General intelligence
systems must possess capabilities that are currently
unattainable. These include, in particular, the ability to
autonomously learn from multimodal data streams and the
implementation of higher mental functions. One of the most
important criteria for creating AGI is the ability of an
artificial system to reproduce cognitive activity based on
mental images different from those used by humans. In this
context, the concept of universality takes on special
meaning. We examine the problem of the universality of
cognitive architecture from the perspective of embodying
constructivist ideas within the methodological framework of
biosemiotics. In our discussion, we utilize the results of
developing architecture based on a cognitive core and
capable of autonomous intellectual development. In this
paper, we emphasize the special role of the problem of
modeling the process of world perception and address
methods for solving the Symbol Emergence Problem. To
illustrate the practical results of our work, we present
the basic technical details of a numerical method developed
for modeling the processes of preconscious cognitive
activity of an autonomous agent.