Mašinsko učenje | Fakultet Tehničkih Nauka

Predmet: Mašinsko učenje (17.SES203)

Matične organizacione jedinice predmeta: Odsek za primenjene računarske nauke i informatiku

Stepen i vrsta studija	Naziv
Osnovne akademske studije	Softversko inženjerstvo i informacione tehnologije (Godina: 4, Semestar: Letnji)

Osnovne informacije:

Kategorija	Naučno-stručni
Uža naučna oblast	Primenjene računarske nauke i informatika
ESPB	6

Ovladavanje osnovnim konceptima, elementima i tehnikama iz domena mašinskog učenja. Osposobljavanje studenta da razume osnovne modele mašinskog učenja, kao i teorije koja stoji iza njih. Osposobljavanje studenta da za realan problem mašinskog učenja prepozna tip problema i praktično primeni adekvatne algoritme.

Nakon uspešno završenog kursa, student zna: da definiše i razlikuje osnovne probleme u mašinskom učenju (regresiju, klasifikaciju, klasterovanje i redukciju dimenzionalnosti); koji algoritmi i modeli su adekvatni za rešavanje svakog od osnovnih problema; teoriju iza modela mašinskog učenja; praktične implikacije neophodne za implementaciju datih modela; da dizajnira validan eksperiment kojim može da uporedi performanse različitih modela; da primeni stečeno znanje na realne probleme.

(1) Nadgledano obučavanje: Linearna regresija (jednostruka i višestruka regresija, metod gradijentnog spusta i njegove varijante, analitičko rešenje u zatvorenoj formi, uticaj outlier-a); Neparametarski pristup (metod k najbližih suseda i krernel regresija); Metod maksimalne verodostojnosti; Klasifikacija (logistička regresija, perceptron, naivni Bajes, metod potpornih vektora, ansambli klasifikatora). (2) Pravilan dizajn eksperimenata i selekcija optimalnog modela: adekvatne mere performanse za različite probleme; eksperimentalni postupci (unakrsna validacija, podela na trening/validacioni/test skup, adekvatna selekcija i optimizacija modela); preprilagođavanje i regularizacija (grebena regresija, laso regresija, elastična mreža i njihovo poređenje). (3) Polu-nadgledano obučavanje (pregled osnovnih koncepata i algoritama). (4) Nenadgledano obučavanje: klasterovanje (algoritam k-sredina i model Gausovih mešavina); redukcija dimenzionalnosti (analiza glavnih komponenti). (5) Praktični saveti za primenu algoritama mašinskog učenja. (6) Teorija učenja: Hoeffdingova nejednakost; Vapnik-Červonenkinsova dimenzija; Nagodba aproksimacije i generalizacije.

Studenti na predavanjima uče koncepte i teorijske osnove algoritama mašinskog učenja. Na računarskim vežbama se za svaki od naučenih koncepata studentima zadaje realan problem i diskutuju se moguća rešenja. Nakon toga, studenti samostalno rešavaju zadati problem, trudeći se da primenom naučenih tehnika ostvare maksimalne performanse na zadatom problemu, čime ostvaruju deo bodova za praktični deo ispita. Ostatak bodova sa praktičnog dela studenti ostvaruju putem predmetnog projekta. Za predmetni projekat studenti samostalno predlažu realan problem iz oblasti mašinskog učenja koji žele da rešavaju i metodologiju kojom planiraju da ga reše. Završni (teorijski) deo ispita studenti polažu usmeno.

Autori	Naziv	Godina	Izdavač	Jezik
BISHOP, Christopher M.	Pattern Recognition and Machine Learning	2006	Springer, New York	Engleski
Awad, M., Khanna, R.	Efficient Learning Machines	2015	Apress Media	Engleski
Ian Witten, Eibe Frank, Mark Hall, Christopher Pal	Data Mining, 4th Edition	2017	Morgan Kaufmann	Engleski
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	Engleski
Goodfellow, I., Bengio, Y., Courville, A.	Deep Learning	2017	MIT Press, Cambridge	Srpski jezik
Hastie, T., Tibshirani, R., Friedman, J.	The Elements of Statistical Learning : Data Mining, Inference, and Prediction	2017	Springer, New York	Engleski

Predmetna aktivnost	Predispitna	Obavezna	Broj poena
Predmetna aktivnost Usmeni deo ispita	Predispitna Ne	Obavezna Da	Broj poena 40.00
Predmetna aktivnost Složeni oblici vežbi	Predispitna Da	Obavezna Da	Broj poena 35.00
Predmetna aktivnost Predmetni projekat	Predispitna Da	Obavezna Da	Broj poena 25.00

ORGANIZACIJA

DOKUMENTA

ZAPOSLENI

KONKURSI

Galerije

AKREDITACIJA

KONTAKT

AKREDITACIJA

KONTAKT

Studentska služba

Predmet: Mašinsko učenje (17.SES203)

Matične organizacione jedinice predmeta: Odsek za primenjene računarske nauke i informatiku

Studijski programi predmeta:

prof. dr Aleksandar Kovačević

Predavanja

vanr. prof. dr Jelena Slivka

Predavanja

Asistent Dragan Vidaković

Računarske vežbe

Asistent Glorija-Katarina Grujić

Računarske vežbe

Kontakt: