Navigacija

13M051MU - Mašinsko učenje

Specifikacija predmeta
Naziv Mašinsko učenje
Akronim 13M051MU
Studijski program Elektrotehnika i računarstvo
Modul modul Audio i video komunikacije, modul Audio i video tehnologije, modul Biomedicinski i ekološki inženjering, modul Biomedicinsko i ekološko inženjerstvo, modul Elektroenergetski sistemi Smer - Mreže i sistemi, modul Elektroenergetski sistemi Smer - Obnovljivi izvori energije, modul Elektroenergetski sistemi Smer - Postrojenja i oprema, modul Elektronika, modul Elektronika i digitalni sistemi, modul Energetska efikasnost, modul Informaciono komunikacione tehnologije, modul Mikrotalasna tehnika, modul Nanoelektronika i fotonika, modul Primenjena matematika, modul Računarska tehnika i informatika, modul Signali i sistemi, modul Sistemsko inženjerstvo i radio komunikacije, modul Softversko inženjerstvo
Tip studija master akademske studije
Nastavnik (predavač)
Nastavnik/saradnik (vežbe)
Nastavnik/saradnik (DON)
    Broj ESPB 6.0 Status predmeta izborni
    Uslovljnost drugim predmetima nema
    Ciljevi izučavanja predmeta Upoznavanje studenata sa teorijskim i praktičnim aspektima mašinskog učenja sa nadzorom, samonadzorom, i bez nadzora. 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 generisanja, klasifikacije ili regresije, 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 https://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. Transformer arhitektura, pred-obučavanje i generativni modeli.
    Sadržaj praktične nastave Realizacija regresora, klasifikatora i generativnih modela nad simuliranim i realnim podacima korišćenjem programskog jezika Python.
    Literatura
    1. C. Bishop, "Pattern Recognition and Machine Learning", Springer, 2007
    2. Stuart Russel, Peter Norvig, "Artificial Intelligence: A Modern Approach", Pearson, 2020
    3. T. Hastie, R. Tibshirani, J. Friedman, "The Elements of Statistical Learning: Data Mining, Inference, and Prediction", Springer, 2008
    4. A. Zhang, Z.C. Lipton, M. Li, A.J. Smola, "Dive into deep learning", Cambridge University Press, 2023
    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 30 Usmeni ispit
    Projekti 10
    Kolokvijumi
    Seminari