Navigacija

13M051MU - Mašinsko učenje

Specifikacija predmeta
Naziv Mašinsko učenje
Akronim 13M051MU
Studijski program Elektrotehnika i računarstvo
Modul modul Signali i sistemi
Tip studija master akademske studije
Nastavnik (predavač)
Nastavnik/saradnik (vežbe)
Nastavnik/saradnik (DON)
    Broj ESPB 6.0 Status predmeta izborni
    Uslovljnost drugim predmetima
    Ciljevi izučavanja predmeta Upoznavanje studenata sa teorijskim i praktičnim aspektima mašinskog učenja sa nadzorom i učenja sa podsticanjem. Ilustracija različitih oblasti primene sa izborom adekvatnih tehnika za rešavanje problema modeliranja, optimizacije, evaluacije i implementacije.
    Ishodi učenja (stečena znanja) Studenti će biti sposobini da izaberu adekvatan algoritam za konkretan realni problem klasifikacije, regresije ilu učenja podsticanjem, da ga implementiraju, optimizuju njegove parametre i testiraju njegove performanse. Takođe će posebna pažnja biti posvećena tehnikama formulacije problema i svođenja na oblik koja je pogodan za primenu tehnika pokrivenih ovim predmetom.
    Sadržaj predmeta
    Link ka stranici predmeta http://automatika.etf.bg.ac.rs/sr/13m051mu
    Sadržaj teorijske nastave Linearna i logistička regresija. Metode numeričke optimizacije. Eksponencijalna familija raspodela i generalizovani linearni modeli. Generativni algoritmi. Metoda nosećih vektora. Stabla odlučivanja, bagging, boosting, AdaBoost, Random Forests. Gausovski procesi. Izbor modela i odlika. Teorija učenja: pomeraj i varijansa, VC-dimenzija. Učenje podsticanjem.
    Sadržaj praktične nastave Realizacija regresora i klasifikatora nad realnim podacima korišćenjem programskih paketa Matlab/Octave, Python ili R. Implementacija učenja podsticanjem u simuliranim okruženjima.
    Literatura
    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
    Broj časova aktivne nastave nedeljno tokom semestra/trimestra/godine
    Predavanja Vežbe DON Studijski i istraživački rad Ostali časovi
    3 1
    Metode izvođenja nastave 45 časova predavanja + 15 časova vežbi na tabli; samostalna izrada domaćih zadataka i projekta.
    Ocena znanja (maksimalni broj poena 100)
    Predispitne obaveze Poena Završni ispit Poena
    Aktivnosti u toku predavanja Pismeni ispit 60
    Praktična nastava 20 Usmeni ispit
    Projekti 20
    Kolokvijumi
    Seminari