Stranice predmeta – Fakultet tehničkih nauka u Novom Sadu

Predmet: Mašinsko učenje 1 (17.EK466)

Osnovne informacije:

Kategorija	Teorijsko-metodološki
Uža naučna oblast	Telekomunikacije i obrada signala
ESPB	6

Upoznavanje sa osnovnim konceptima i algoritmima mašinskog učenja uključujući njihove teorijske osnove, analizu i praktične primene. Studenti će imati mogućnost da razumeju i primene osnovne algoritme nadgledanog i nenadgledanog učenja uz primere dobre prakse i savete za primenu ovih algoritama.

Studenti će moći da identifikuju probleme koji se rešavaju pristupima mašinskog učenja. Umeće da interpretiraju i analiziraju različite algoritme mašinskog učenja, implementiraju ih u programskom jeziku Python i evaluiraju njihove performanse. Naučiće da kombinuju algoritme i sastave tok obrada od postupaka za predobradu podataka, do evaluacije korišćenih pristupa. Sticanje neophodnih iskustava za prevazilaženje problema tokom primena algoritama (tačnost, računarski zahtevi, natprilagođenje, regularizacija).

Uvod i osnovni pojmovi. Komponente sistema mašinskog učenja i osnovne vrste učenja. Različite vrste problema mašinskog učenja. Osnovni koncepti: funkcija cilja, natprilagođenje, regularizacija, evaluacija performansi, problem dimenzionalnosti, validacioni postupci, kompromis pristrasnost/varijansa. Nadgledano učenje (Bajesova teorija učenja, kvadratni klasifikatori, parametarska i neparametarska estimacija gustine verovatnoće (maksimalna verodostojnost i Bajesova estimacija, KDE, kNN), linearna i logistička regresija, linearne diskriminantne funkcije, neuralne mreže, metod vektora nosača). Nenadgledano učenje (k-means, hijerarhijska klasterizacija), redukcija dimenzionalnosti: PCA i LDA.

Predavanja, računarske vežbe (Python i druga odgovarajuća programska okruženja), domaći zadaci, konsultacije, aktivno učenje, učenje kroz projekat i istraživanje, radionice.

Autori	Naziv	Godina	Izdavač	Jezik
Kevin Murphy	Machine Learning: A Probabilistic Perspective	2012	MIT Press	Engleski
Richard O. Duda, Peter E. Hart, David G. Stork	Pattern Classification, 2nd Edition	2001	Wiley	Engleski
Crnojević, V.	Prepoznavanje oblika za inženjere	2014	Fakultet tehničkih nauka, Novi Sad	Srpski jezik
Bishop, C.M.	Pattern Recognition and Machine Learning	2006	Springer, New York	Engleski

Predmetna aktivnost	Predispitna	Obavezna	Broj poena
Predmetna aktivnost Prisustvo na računarskim vežbama	Predispitna Da	Obavezna Da	Broj poena 2.00
Predmetna aktivnost Domaći zadatak	Predispitna Da	Obavezna Da	Broj poena 5.00
Predmetna aktivnost Pismeni deo ispita - kombinovani zadaci i teorija	Predispitna Ne	Obavezna Da	Broj poena 50.00
Predmetna aktivnost Predmetni projekat	Predispitna Da	Obavezna Da	Broj poena 30.00
Predmetna aktivnost Domaći zadatak	Predispitna Da	Obavezna Da	Broj poena 5.00
Predmetna aktivnost Prisustvo na predavanjima	Predispitna Da	Obavezna Da	Broj poena 3.00
Predmetna aktivnost Domaći zadatak	Predispitna Da	Obavezna Da	Broj poena 5.00

ORGANIZACIJA

DOKUMENTA

ZAPOSLENI

KONKURSI

Galerije

AKREDITACIJA

KONTAKT

AKREDITACIJA

KONTAKT

Studentska služba

Predmet: Mašinsko učenje 1 (17.EK466)

prof. dr Lončar-Turukalo Tatjana

Predavanja

prof. dr Sečujski Milan

Predavanja

Asistent sa doktoratom Nosek Tijana

Računarske vežbe

Kontakt: