Навигација

13М051МУ - Машинско учење

Спецификација предмета
НазивМашинско учење
Акроним13М051МУ
Студијски програмЕлектротехника и рачунарство
Модулмодул Сигнали и системи
Тип студијамастер академске студије
Наставник (предавач)
Наставник/сарадник (вежбе)
Наставник/сарадник (ДОН)
    Број ЕСПБ6.0Статус предметаизборни
    Условљност другим предметима
    Циљеви изучавања предметаУпознавање студената са теоријским и практичним аспектима машинског учења са надзором и учења са подстицањем. Илустрација различитих области примене са избором адекватних техника за решавање проблема моделирања, оптимизације, евалуације и имплементације.
    Исходи учења (стечена знања)Студенти ће бити способини да изаберу адекватан алгоритам за конкретан реални проблем класификације, регресије илу учења подстицањем, да га имплементирају, оптимизују његове параметре и тестирају његове перформансе. Такође ће посебна пажња бити посвећена техникама формулације проблема и свођења на облик која је погодан за примену техника покривених овим предметом.
    Садржај предмета
    Линк ка страници предметаhttp://automatika.etf.bg.ac.rs/sr/13m051mu
    Садржај теоријске наставеЛинеарна и логистичка регресија. Методе нумеричке оптимизације. Експоненцијална фамилија расподела и генерализовани линеарни модели. Генеративни алгоритми. Метода носећих вектора. Стабла одлучивања, bagging, boosting, AdaBoost, Random Forests. Гаусовски процеси. Избор модела и одлика. Теорија учења: померај и варијанса, VC-димензија. Учење подстицањем.
    Садржај практичне наставеРеализација регресора и класификатора над реалним подацима коришћењем програмских пакета Matlab/Octave, Python или R. Имплементација учења подстицањем у симулираним окружењима.
    Литература
    1. C. Bishop, "Pattern Recognition and Machine Learning", Springer, 2007
    2. A. Ng, J. Duchi, "Machine learning", Lecture notes, Stanford, 2016
    3. T. Jaakkola, "Machine learning", Lecture notes, MIT
    4. Stuart Russel, Peter Norvig, "Artificial Intelligence: A Modern Approach", Pearson, 2010
    5. T. Hastie, R. Tibshirani, J. Friedman, "The Elements of Statistical Learning: Data Mining, Inference, and Prediction", Springer, 2008
    Број часова активне наставе недељно током семестра/триместра/године
    ПредавањаВежбеДОНСтудијски и истраживачки радОстали часови
    31
    Методе извођења наставе45 часова предавања + 15 часова вежби на табли; самостална израда домаћих задатака и пројекта.
    Оцена знања (максимални број поена 100)
    Предиспитне обавезеПоенаЗавршни испитПоена
    Активности у току предавањаПисмени испит60
    Практична настава20Усмени испит
    Пројекти20
    Колоквијуми
    Семинари