×
Универзитет у Новом Саду

Предмет: Основе машинског учења са применама (22.EAI017)

Основне информације:
 
Категорија Научно-стручни
Ужа научна област Телекомуникације и обрада сигнала
ЕСПБ 6

Разумевање концепата и алгоритама машинског учења укључујући познавање теоријских основа и оспособљавање за анализу и практичну примену. Студенти се упознају са основним алгоритмима надгледаног и ненадгледаног учења, уз примере добре праксе и савете за примену ових алгоритама.

Студент је оспособљен да препозна врсту проблема машинског учења, изабере одговарајуће алгоритме и имплементира их у одговарајућим софтверским пакетима. Уме да адекватно евалуира перформансе добијених модела и да комбинује разне врсте нормализације података, редукције димензионалности са алгоритмима машинског учења над подацима различите природе и обима. Студент је оспособљен да превазилази проблеме који се могу јавити у пракси као што је натприлагођење и потреба за аугментацијом података.

Компоненте система машинског учења и основне врсте учења. Основни појмови: функција цене, натприлагођење, регуларизација, евалуација перформанси, проблем димензионалности, валидациони поступци, компромис пристрасност/варијанса. Преглед основних алгоритама са детаљном математичком основом, примерима и имплементацијом кроз вежбе: Бајесова теорија учења, критеријуми одлучивања и дискриминантне функције, примери са Гаусовом расподелом, kNN и Наивни Бајесов класификатор линеарна регресија (селекција обележја унапред и уназад, избор модела, евалуација), логистичка регресија, линеарне дискриминантне функције, стабла одлуке метод вектора носача. редукција димензионалности (филтри и омотачи), детаљније PCA и LDA. ансамбалске методе (random forest , ненадгледано учење (k-means, хијерархијска кластеризација, спектрално кластеровање DBSCAN) и ансамбалска кластеризација Одабрани алгоритми полунадгледаног учења. Овај предмет уводи студенте у област машинског учења покривајући фундаменталне аспекте у овој области уз детаљну математичку основу алгоритама како би се обезбедило разумевање, ефикасна примена и комбиновање алгоритама. Студенти су у току семестра кроз сталну примену на разним практичним проблемима (три домаћа задатка и пројекат) окренути и практичној имплементацији алгоритама на реалним проблемима, отвореним подацима као и подацима и проблемима постављеним од стране партнера и гостујућих предавача из привреде. На пројектима се очекује проширење знања на датим основама, уз препоруку савремене литературе (научних радова) како би студенти савладали и имплементирали још неке методе.

Предавања, рачунарске вежбе (у одговарајућим програмским окружењима), домаћи задаци, консултације, активно учење кроз пројекат и истраживање научних публикација, рад на реалним проблемима из области машинског учења кроз сарадњу са привредом и јавним сектором (здравство, државна управа и сл.).

Аутори Назив Година Издавач Језик
Sebastian Raschka, Vahid Mirjalili Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2, 3rd Edition 2019 Packt Publishing Енглески
Kevin Murphy Machine Learning: A Probabilistic Perspective 2012 MIT Press Енглески
Andriy Burkov Machine Learning Engineering 2020 True Positive Inc Енглески
Предметна активност Предиспитна Обавезна Број поена
Предметна активност
Домаћи задатак
Предиспитна
Да
Обавезна
Да
Број поена
5.00
Предметна активност
Домаћи задатак
Предиспитна
Да
Обавезна
Да
Број поена
5.00
Предметна активност
Домаћи задатак
Предиспитна
Да
Обавезна
Да
Број поена
5.00
Предметна активност
Домаћи задатак
Предиспитна
Да
Обавезна
Да
Број поена
5.00
Предметна активност
Писмени део испита - комбиновани задаци и теорија
Предиспитна
Не
Обавезна
Да
Број поена
50.00
Предметна активност
Предметни пројекат
Предиспитна
Да
Обавезна
Да
Број поена
30.00

Предавања

API Image

проф. др Милан Сечујски

Редовни професор

Предавања

Рачунарске вежбе

Рачунарске вежбе