×
Универзитет у Новом Саду

Предмет: Машинско учење (17.SES203)

Матичне организационе јединице предмета: Одсек за примењене рачунарске науке и информатику

Основне информације:
 
Категорија Научно-стручни
Ужа научна област Примењене рачунарске науке и информатика
ЕСПБ 6

Овладавање основним концептима, елементима и техникама из домена машинског учења. Оспособљавање студента да разуме основне моделе машинског учења, као и теорије која стоји иза њих. Оспособљавање студента да за реалан проблем машинског учења препозна тип проблема и практично примени адекватне алгоритме.

Након успешно завршеног курса, студент зна: да дефинише и разликује основне проблеме у машинском учењу (регресију, класификацију, кластеровање и редукцију димензионалности); који алгоритми и модели су адекватни за решавање сваког од основних проблема; теорију иза модела машинског учења; практичне импликације неопходне за имплементацију датих модела; да дизајнира валидан експеримент којим може да упореди перформансе различитих модела; да примени стечено знање на реалне проблеме.

(1) Надгледано обучавање: Линеарна регресија (једнострука и вишеструка регресија, метод градијентног спуста и његове варијанте, аналитичко решење у затвореној форми, утицај outlier-а); Непараметарски приступ (метод к најближих суседа и крернел регресија); Метод максималне веродостојности; Класификација (логистичка регресија, перцептрон, наивни Бајес, метод потпорних вектора, ансамбли класификатора). (2) Правилан дизајн експеримената и селекција оптималног модела: адекватне мере перформансе за различите проблеме; експериментални поступци (унакрсна валидација, подела на тренинг/валидациони/тест скуп, адекватна селекција и оптимизација модела); преприлагођавање и регуларизација (гребена регресија, ласо регресија, еластична мрежа и њихово поређење). (3) Полу-надгледано обучавање (преглед основних концепата и алгоритама). (4) Ненадгледано обучавање: кластеровање (алгоритам к-средина и модел Гаусових мешавина); редукција димензионалности (анализа главних компоненти). (5) Практични савети за примену алгоритама машинског учења. (6) Теорија учења: Hoeffdingova неједнакост; Вапник-Червоненкинсова димензија; Нагодба апроксимације и генерализације.

Студенти на предавањима уче концепте и теоријске основе алгоритама машинског учења. На рачунарским вежбама се за сваки од научених концепата студентима задаје реалан проблем и дискутују се могућа решења. Након тога, студенти самостално решавају задати проблем, трудећи се да применом научених техника остваре максималне перформансе на задатом проблему, чиме остварују део бодова за практични део испита. Остатак бодова са практичног дела студенти остварују путем предметног пројекта. За предметни пројекат студенти самостално предлажу реалан проблем из области машинског учења који желе да решавају и методологију којом планирају да га реше. Завршни (теоријски) део испита студенти полажу усмено.

Аутори Назив Година Издавач Језик
Иан Wиттен, Еибе Франк, Марк Халл, Цхристопхер Пал Дата Мининг, 4тх Едитион 2017 Морган Кауфманн Енглески
Goodfellow, I., Bengio, Y., Courville, A. Deep Learning 2017 MIT Press, Cambridge Српски језик
S. Shalev-Schwartz, S. Ben-David Understanding Machine Learning: From Theory to Algorithms 2014 U elektronskom izdanju: https://www.cs.huji.ac.il/~shais/UnderstandingMachineLearning/understanding-machine-learning-theory-algorithms.pdf Енглески
Hastie, T., Tibshirani, R., Friedman, J. The Elements of Statistical Learning : Data Mining, Inference, and Prediction 2017 Springer, New York Енглески
БИСХОП, Цхристопхер М. Паттерн Рецогнитион анд Мацхине Леарнинг 2006 Спрингер, Неw Yорк Енглески
Awad, M., Khanna, R. Efficient Learning Machines 2015 Apress Media Енглески
Предметна активност Предиспитна Обавезна Број поена
Предметна активност
Усмени део испита
Предиспитна
Не
Обавезна
Да
Број поена
40.00
Предметна активност
Предметни пројекат
Предиспитна
Да
Обавезна
Да
Број поена
25.00
Предметна активност
Сложени облици вежби
Предиспитна
Да
Обавезна
Да
Број поена
35.00

Предавања

Предавања

Рачунарске вежбе

Рачунарске вежбе