Navigacija

13M111PSZ - Pronalaženje skrivenog znanja

Specifikacija predmeta
Naziv Pronalaženje skrivenog znanja
Akronim 13M111PSZ
Studijski program Elektrotehnika i računarstvo
Modul
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 Cilj predmeta je upoznavanje studenata sa najpopularnijim modelima mašinskog učenja i metodologijom njihovog pravilnog korišćenja i evaluacije.
    Ishodi učenja (stečena znanja) Očekuje se da student po uspešnom završetku kursa bude u stanju da: 1) demonstrira razumevanje problema koji se rešava, primeni algoritme i tehnike mašinskog učenja i definiše sopstvene modele rešavanja problema; 2) stekne osećaj za istraživanje, analizu i obradu podataka i prikazivanje dobijenih rezultata; 3) nauči da razvija sopstvene aplikacije ili koristi već postojeće softverske alate i biblioteke
    Sadržaj predmeta
    Link ka stranici predmeta http://rti.etf.bg.ac.rs/rti/ms1psz/
    Sadržaj teorijske nastave Uvod u mašinsko učenje. Obučavanje i evaluacija modela u nadgledanom mašinskom učenju. Naivni bajesovski klasifikator. Linearna regresija. Logistička regresija. Metode potpornih vektora. K najbližih suseda. Stabla odlučivanja. Napredne tehnike mašinskog učenja - pojačano učenje, duboko učenje, i druge.
    Sadržaj praktične nastave Vizuelne simulacije teorijski obrađenih problema. Rešavanje i demonstracija praktičnih zadataka. Analiza najnovijih istraživanja i naučnih radova iz ove oblasti.
    Literatura
    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)
    Broj časova aktivne nastave nedeljno tokom semestra/trimestra/godine
    Predavanja Vežbe DON Studijski i istraživački rad Ostali časovi
    2 2
    Metode izvođenja nastave Predavanja sa prezentacijama, interaktivne auditorne vežbe, samostalna izrada projekta, laboratorijske vežbe sa vizuelnim simulacijama
    Ocena znanja (maksimalni broj poena 100)
    Predispitne obaveze Poena Završni ispit Poena
    Aktivnosti u toku predavanja 0 Pismeni ispit 40
    Praktična nastava 40 Usmeni ispit 0
    Projekti 20
    Kolokvijumi 0
    Seminari 0