Машинско учење

ID: 9015
врста предмета: научно-стручни
носилац предмета: .
извођачи:
контакт особа: .
ниво студија: мастер академске студије - индустрија 4.0
ЕСПБ: 6
облик завршног испита: писмени+усмени
катедра: Катедре

извођења

циљ

Упознавање са основним моделима и алгоритмима машинског учења, кључним елементима њиховог дизајна и техникама евалуације.

исход

По завршетку курса, студент је упознат са основним постојећим техникама машинског учења, испробао их је у пракси, зна у каквим околностима коју треба применити, разуме како одлуке донесене у процесу дизајна алгоритма утичу на понашање алгоритма и уме да процени квалитет добијених модела.

садржај теоријске наставе

- Основе статистичке теорије учења. - Основни елементи дизајна алгоритама учења - модел, функција грешке, регуларизација, оптимизациони метод. - Пробабилистички модели (линеарна регресија, логистичка регресија, мултиномијална логистичка регресија, уопштени линеарни модели, наивни Бајесов алгоритам, и друго). - Модели засновани на широком појасу (метод потпорних вектора за класификацију и регресију, алгоритам к најближих суседа са широким појасом и друго) - Модели засновани на инстанцама (непараметарска оцена густине расподеле, кернели, метод Надараја-Вотсон, кернелизовани метод потпорних вектора, к најближих суседа и друго) - Ансамбли (случајне шуме, AdaBoost, градијентно појачавање). - Неуронске мреже и дубоко учење (потпуно повезане неуронске мреже, конволутивне неуронске мреже, рекурентне неуронске мреже) - Кластеровање (к средина, максимизација очекивања и друго). - Учење репрезентације података (аутоенкодери). - Генеративни модели (генеративне супарничке мреже) - Учење поткрепљивањем. - Евалуација и избор модела - Регуларизација - Методе оптимизације

садржај практичне наставе

Увежбавање имплеметирања и коришћења техника машинског учења на различитим колекцијама података и алатима.

услов похађања

Нема.

ресурси

фонд часова

укупан фонд часова: 90

активна настава (теоријска)

ново градиво: 30
разрада и примери (рекапитулација): 0

активна настава (практична)

аудиторне вежбе: 45
лабораторијске вежбе: 0
рачунски задаци: 0
семинарски рад: 0
пројекат: 0
консултације: 0
дискусија/радионица: 0
студијски истраживачки рад: 0

провера знања

преглед и оцена рачунских задатака: 0
преглед и оцена лабораторијских извештаја: 0
преглед и оцена семинарских радова: 0
преглед и оцена пројекта: 0
колоквијум са оцењивањем: 0
тест са оцењивањем: 10
завршни испит: 5

провера знања (укупно 100 поена)

активност у току предавања: 0
тест/колоквијум: 20
лабораторијска вежбања: 0
рачунски задаци: 0
семинарски рад: 20
пројекат: 0
завршни испит: 60
услов за излазак на испит (потребан број поена): 0

литература

Christopher Bishop, Pattern Recognition and Machine Learning, Springer, 2006.; Kevin Murphy, Machine Learning: A Probabilistic Perspective, The MIT Press, 2012.; Trevor Hastie, Robert Tibshirani, Jerome Friedman, The Elements of Statistical Learning, Springer, 2008.; Richard Sutton, Andrew Barto, Reinforcement Learning: An Introduction, The MIT Press, 1998.; Младен Николић, Анђелка Зечевић, Машинско учење, скрипта.;