Навигација

13М111ПСЗ - Проналажење скривеног знања

Спецификација предмета
НазивПроналажење скривеног знања
Акроним13М111ПСЗ
Студијски програмЕлектротехника и рачунарство
Модул
Тип студијамастер академске студије
Наставник (предавач)
Наставник/сарадник (вежбе)
Наставник/сарадник (ДОН)
    Број ЕСПБ6.0Статус предметаизборни
    Условљност другим предметиманема
    Циљеви изучавања предметаЦиљ предмета је упознавање студената са најпопуларнијим моделима машинског учења и методологијом њиховог правилног коришћења и евалуације.
    Исходи учења (стечена знања)Oчекује се да студент по успешном завршетку курса буде у стању да: 1) демонстрира разумевање проблема који се решава, примени алгоритме и технике машинског учења и дефинише сопствене моделе решавања проблема; 2) стекне осећај за истраживање, анализу и обраду података и приказивање добијених резултата; 3) научи да развија сопствене апликације или користи већ постојеће софтверске алате и библиотеке
    Садржај предмета
    Линк ка страници предметаhttp://rti.etf.bg.ac.rs/rti/ms1psz/
    Садржај теоријске наставеУвод у машинско учење. Обучавање и евалуација модела у надгледаном машинском учењу. Наивни бајесовски класификатор. Линеарна регресија. Логистичка регресија. Методе потпорних вектора. К најближих суседа. Стабла одлучивања. Напредне технике машинског учења - појачано учење, дубоко учење, и друге.
    Садржај практичне наставеВизуелне симулације теоријски обрађених проблема. Решавање и демонстрација практичних задатака. Анализа најновијих истраживања и научних радова из ове области.
    Литература
    1. Andreas Müller, Sarah Guido: "Introduction to Machine Learning with Python: A Guide for Data Scientists", O'Reilly Media; 1 edition (October 21, 2016)
    2. Ian H. Witten, Eibe Frank, Mark A. Hall, Christopher J. Pal: "Data Mining: Practical Machine Learning Tools and Techniques", Morgan Kaufmann, 4th Edition (2016)
    3. C.Albon: "Machine Learning with Python Cookbook", O'Reilly Media; 1 edition (March 9, 2018)
    4. J.VanderPlas: "Python Data Science Handbook: Essential Tools for Working with Data", O'Reilly Media; 1 edition (November 21, 2016)
    Број часова активне наставе недељно током семестра/триместра/године
    ПредавањаВежбеДОНСтудијски и истраживачки радОстали часови
    22
    Методе извођења наставеПредавања са презентацијама, интерактивне аудиторне вежбе, самостална израда пројекта, лабораторијске вежбе са визуелним симулацијама
    Оцена знања (максимални број поена 100)
    Предиспитне обавезеПоенаЗавршни испитПоена
    Активности у току предавања0Писмени испит40
    Практична настава40Усмени испит0
    Пројекти20
    Колоквијуми0
    Семинари0