Stranice predmeta

Akcenat predmeta je na novoj paradigmi u razvoju softvera u kojoj se problemi rešavaju pomoću mašinskog učenja i gde je akcenat na formiranju skupa podataka, umesto na pisanju softverskog koda (Software 2.0). Predmet će predstaviti alate i okruženja za podršku sledećih procesa rada u mašinskom učenju (Machine Learning Workflows): (1) Prikupljanje zahteva (2) Prikupljanje podataka (3) Čišćenje podataka (4) Označavanje podataka (5) Inženjering karakteristika (6) Treniranje modela (7) Evaluacija modela (8) Primena modela (9) Monitoring modela. Automatizovana, procesno-orijentisana (DataOps) metodologija za poboljšanje kvaliteta i minimizaciju trajanja ciklusa analize podataka. Primena modela mašinskog učenja u BigData scenarijima. Računarske i laboratorijske vežbe koje prate ovaj kurs su osmišljene na takav način da kroz praktičan rad sa postojećim softverskim alatima za trening standardnih prediktivnih modela mašinkog i dubokog učenja (Scikit-Learn, Keras/TensorFlow ), praktično primene teorijske koncepte koji će biti obrađivani na predavanjima. Neizostavni deo predmeta je samostalni studentski projekat, gde je ideja da student samostalno, uz konsultacije sa predavačima, odabere problem iz oblasti mašinskog učenja na kome će demonstrirati celokupan proces rada u mašinskom učenju. Po završetku projekta, student prezentuje svoje istraživanje u okviru izveštaja.