Fakultet tehničkih nauka

Predmet: Tehnologije i alati u mašinskom učenju (22.EAI003)

Osnovne informacije:
 
Kategorija Stručno-aplikativni
Uža naučna oblast Primenjene računarske nauke i informatika
ESPB 6

Osposobljavanje studenta za praktičnu primenu tehnika, metoda i alata za odgovarajuće procese rada u mašinskom učenju (Machine Learning Workflows).

Student je upoznat sa procesima rada u mašinskom učenju (Machine Learning Workflows). Student je obučen da kreira procese rada mašinskog učenja i da upotrebljava odgovarajuće tehnike, okruženja i alate za njihovu podršku.

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.

Predavanja se izvode uz prateće prezentacije. Praćena su računarskim vežbama koje će se oslanjati na programski jezik Python i druga odgovarajuća programska okruženja. Aktivno učenje kroz projekat i istraživanje relevantnih naučnih publikacija uz redovne konsultacije. Rad na realnim problemima iz oblasti mašinskog učenja

Autori Naziv Godina Izdavač Jezik
Aurelien Geron Hands-On Machine Learning with Scikit-Learn, Keras, and Tensorflow, 2nd Edition 2019 O'Reilly Media Inc. Engleski
Hannes Hapke and Catherine Nelson Building Machine Learning Pipelines 2020 O‘Reilly Media, Inc. Engleski
Ian H. Witten, Eibe Frank, Mark A. Hall Data Mining: Practical Machine Learning Tools and Techniques 2011 Elsevier Engleski
Andriy Burkov Machine Learning Engineer 2020 True Positive Inc. Engleski
David Sweenor, Steven Hillion, Dev Kannabiran, Thomas Hill and Michael O‘Connel ML Ops: Operationalizing Data Science 2020 O‘Reilly Media, Inc. Engleski
Predmetna aktivnost Predispitna Obavezna Broj poena
Predmetna aktivnost
Domaći zadatak
Predispitna
Da
Obavezna
Da
Broj poena
20.00
Predmetna aktivnost
Predmetni projekat
Predispitna
Da
Obavezna
Da
Broj poena
50.00
Predmetna aktivnost
Usmeni deo ispita
Predispitna
Ne
Obavezna
Da
Broj poena
30.00
Predavanja
Predavanja
Predavanja
Računarske vežbe
Računarske vežbe
Računarske vežbe