Predmet: Mašinsko učenje 1 (17 - EK466)


Osnovne informacije

KategorijaTeorijsko-metodološki
Naučna oblastTelekomunikacije i obrada signala
MultidisciplinarnaNe
ESPB6
Matične organizacione jedinice predmeta

Trenutno nema podataka o matičnim organizacionim jedinicama predmeta!
Program predmeta

Program se primenjuje od 22.08.2017..


Predmeti kojima je preduslov predmet Mašinsko učenje 1

Naziv predmetaMora se odslušatiMora se položiti
Mašinsko učenje 2dane
Upoznavanje sa osnovnim konceptima i algoritmima mašinskog učenja uključujući njihove teorijske osnove, analizu i praktične primene. Studenti će imati mogućnost da razumeju i primene osnovne algoritme nadgledanog i nenadgledanog učenja uz primere dobre prakse i savete za primenu ovih algoritama.
Studenti će moći da identifikuju probleme koji se rešavaju pristupima mašinskog učenja. Umeće da interpretiraju i analiziraju različite algoritme mašinskog učenja, implementiraju ih u programskom jeziku Python i evaluiraju njihove performanse. Naučiće da kombinuju algoritme i sastave tok obrada od postupaka za predobradu podataka, do evaluacije korišćenih pristupa. Sticanje neophodnih iskustava za prevazilaženje problema tokom primena algoritama (tačnost, računarski zahtevi, natprilagođenje, regularizacija).
Uvod i osnovni pojmovi. Komponente sistema mašinskog učenja i osnovne vrste učenja. Različite vrste problema mašinskog učenja. Osnovni koncepti: funkcija cilja, natprilagođenje, regularizacija, evaluacija performansi, problem dimenzionalnosti, validacioni postupci, kompromis pristrasnost/varijansa. Nadgledano učenje (Bajesova teorija učenja, kvadratni klasifikatori, parametarska i neparametarska estimacija gustine verovatnoće (maksimalna verodostojnost i Bajesova estimacija, KDE, kNN), linearna i logistička regresija, linearne diskriminantne funkcije, neuralne mreže, metod vektora nosača). Nenadgledano učenje (k-means, hijerarhijska klasterizacija), redukcija dimenzionalnosti: PCA i LDA.
Predavanja, računarske vežbe (Python i druga odgovarajuća programska okruženja), domaći zadaci, konsultacije, aktivno učenje, učenje kroz projekat i istraživanje, radionice.
AutoriNazivGodinaIzdavačJezik
Crnojević, V.Prepoznavanje oblika za inženjere2014Fakultet tehničkih nauka, Novi SadSrpski jezik
Bishop, C.M.Pattern Recognition and Machine Learning2006Springer, New YorkEngleski
Richard O. Duda, Peter E. Hart, David G. StorkPattern Classification, 2nd Edition2001WileyEngleski
Kevin MurphyMachine Learning: A Probabilistic Perspective2012MIT PressEngleski
Predmetna aktivnostPredispitnaObaveznaBroj poena
Predmetni projekatdada30.00
Domaći zadatakdada5.00
Domaći zadatakdada5.00
Domaći zadatakdada5.00
Pismeni deo ispita - kombinovani zadaci i teorijaneda50.00
Prisustvo na predavanjimadada3.00
Prisustvo na računarskim vežbamadada2.00
Ime i prezimeVid nastave
Nedostaje slika

Lončar-Turukalo dr Tatjana
Redovni profesor

Predavanja
Nedostaje slika

Sečujski dr Milan
Redovni profesor

Predavanja
Nedostaje slika

Nosek Tijana
Asistent sa doktoratom

Računarske vežbe