Mobilni in vseprisotni elektronski sistemi

Predmet obravnava pametne naprave, inteligentne sisteme v IoT,  IoT objekte in inteligenco v smislu stopnja inteligence objektov, lokacija inteligence v IoT sistemih, združevanje inteligence. V okviru IoT povezljivosti si pogledamo globalno transportni nivo CIoT, IIoT, KPI, Low-Power IoT, celične/necelične tehnologije za IoT, ZigBee, BLE, LP-Wifi, GPP, LTE, NB-IoT, 5G za IoT, Wifi, LP-Wifi, Wi-FAR, Wi-SUN, NFC,  RFID,  VLC, WUSB, PLC,  karakteristike in uporaba komunikacijskih možnosti v IoT. Podrobneje pogledamo funkcionalnosti M2M komunikacije, MTC, M2M koncept, ključne lastnosti, arhitektura, M2M naprava, M2M aplikacija, zahteve za M2M, problemi v M2M, M2M/IoT, LPWAN, Lora, LoraTM, LoRaWAN, SigFox, 6LoWPAN. Na nivoju M2M/IoT protokolov pogledamo IoT arhitekturo globalno, SOAP, REST, MQTT, COAP, OMA LWM2M. Sledi pregled programskih platform za IoT arhitekturo (globalno): nivoji programske opreme in njihove karakteristike, oprema za vgrajene sisteme, programska oprema za prehode, za IoT oblak, Eclipse IoT, Azure IoT, Google Cloud, ThingWorx, Watson IoT in Bluemix, Amazon AWS, primerjava funkcionalnosti in tehnični vidiki razvojnih ogrodij. Glede zagotavljanja varnosti se srečamo s tehnologijo veriženja blokov za IoT: uporaba tehnologije v IoT, blockchain arhitektura, značilnosti tehnologije, funkcionalnosti tehnologije, prednosti/slabosti tehnologije, glavni koncepti tehnologije, konvergenca tehnologije z IoT, vrste blockchain platform,  mehanizem transakcije, Watson IoT blockchain tehnologija in razvoj IoT aplikacije, blockchain tehnologija in pametni dom. Drugi del predmeta se ukvarja z analitiko IoT podatkov, uvod, področja uporabe analitike v IoT, klasifikacija analitike, karakteristika IoT podatkov, veliki podatki (kaj so in kakšne  so njihove značilnosti), IoT podatki, procesiranje IoT podatkov in algoritmi, realiziranje analitike v  IoT okolju, vloga Hadoop platforme, integracija analitike v IT sisteme in oblak. Na nivoju strojnega učenja pa klasifikacija metod učenja na velikih podatkih, globoko učenje, arhitekture nevronskih mrež, karakteristike globokega učenja, učenje DNN, CNN, R-CNN, RNN, DBN, LSTM, AE, VAE, GAN, RBM, DL modeli in pregled kategorizacije in karakteristik, ogrodja za DL modele. Zaključimo z uporabo analitike, ML, DL v IoT sistemih: v programski opremi v avtomobilski industriji, samo-vozeča vozila, ADAS sistemi, „end-to-end” AI sistem, inteligentni transportni sistemi ITS, UAV sistemi.