Komponente sistema mašinskog učenja i osnovne vrste učenja. Osnovni pojmovi: funkcija cene, natprilagođenje, regularizacija, evaluacija performansi, problem dimenzionalnosti, validacioni postupci, kompromis pristrasnost/varijansa. Pregled osnovnih algoritama sa detaljnom matematičkom osnovom, primerima i implementacijom kroz vežbe: Bajesova teorija učenja, kriterijumi odlučivanja i diskriminantne funkcije, primeri sa Gausovom raspodelom, kNN i Naivni Bajesov klasifikator linearna regresija (selekcija obeležja unapred i unazad, izbor modela, evaluacija), logistička regresija, linearne diskriminantne funkcije, stabla odluke metod vektora nosača. redukcija dimenzionalnosti (filtri i omotači), detaljnije PCA i LDA. ansambalske metode (random forest , nenadgledano učenje (k-means, hijerarhijska klasterizacija, spektralno klasterovanje DBSCAN) i ansambalska klasterizacija Odabrani algoritmi polunadgledanog učenja. Ovaj predmet uvodi studente u oblast mašinskog učenja pokrivajući fundamentalne aspekte u ovoj oblasti uz detaljnu matematičku osnovu algoritama kako bi se obezbedilo razumevanje, efikasna primena i kombinovanje algoritama. Studenti su u toku semestra kroz stalnu primenu na raznim praktičnim problemima (tri domaća zadatka i projekat) okrenuti i praktičnoj implementaciji algoritama na realnim problemima, otvorenim podacima kao i podacima i problemima postavljenim od strane partnera i gostujućih predavača iz privrede. Na projektima se očekuje proširenje znanja na datim osnovama, uz preporuku savremene literature (naučnih radova) kako bi studenti savladali i implementirali još neke metode.