Странице предмета

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.