Navigacija

19D111NAM - Napredni algoritmi mašinskog učenja

Specifikacija predmeta
Naziv Napredni algoritmi mašinskog učenja
Akronim 19D111NAM
Studijski program Elektrotehnika i računarstvo
Modul modul Softversko inženjerstvo
Tip studija doktorske akademske studije
Nastavnik (predavač)
Nastavnik/saradnik (vežbe)
    Nastavnik/saradnik (DON)
      Broj ESPB 9.0 Status predmeta izborni
      Uslovljnost drugim predmetima /
      Ciljevi izučavanja predmeta Upoznavanje studenata sa naprednim tehnikama i algoritmima mašinskog učenja i njihova primena u savremenim softverskim sistemima. Ovaj predmet predstavlja teoretske osnove modernog mašinskog učenja, kao i napredne metode i okvire koji se koriste u savremenom mašinskom učenju.
      Ishodi učenja (stečena znanja) Ishod ovog predmeta je osposobljavanje studenata da razumeju statistička i računarska razmatranja u algoritmima mašinskog učenja, da razviju veštinu smišljanja računarsko efikasnih, a opet statistički rigoroznih algoritama za rešavanje problema mašinskog učenja i da razviju veštinu kvantifikacije statističkih performansi za bilo koji novi metod mašinskog učenja.
      Sadržaj predmeta
      Sadržaj teorijske nastave Naivni Bajes, Logistička regresija, Kerneli, Metode potpornih vektora, Pojačavanja, Linearna regresija, Dubinske mreže, Aktivno učenje, Polu-nadgledano učenje, Grafički modeli (Bajesove mreže i skriveni Markovljevi modeli), nenadgledano učenje, redukcija dimenzija, dubinsko nenadgledano učenje, pojačano učenje, neparametrijsko i višedimenzionalno predviđanje, predviđanje sa primenom u igrama.
      Sadržaj praktične nastave /
      Literatura
      1. Tom Mitchell - "Machine Learning"
      2. Christopher Bishop - "Pattern Recognition and Machine Learning"
      3. Shai Shalev-Shwartz and Shai Ben-David - "Understanding Machine Learning: From Theory to Algorithms"
      4. Trevor Hastie, Robert Tibshirani, Jerome Friedman - "The Elements of Statistical Learning: Data Mining, Inference and Prediction"
      5. Kevin P. Murphy - "Machine Learning: A Probabilistic Perspective"
      Broj časova aktivne nastave nedeljno tokom semestra/trimestra/godine
      Predavanja Vežbe DON Studijski i istraživački rad Ostali časovi
      8
      Metode izvođenja nastave Predavanja sa prezentacijom, izrada projekta, diskusija o realizovanim rešenjima
      Ocena znanja (maksimalni broj poena 100)
      Predispitne obaveze Poena Završni ispit Poena
      Aktivnosti u toku predavanja 0 Pismeni ispit 0
      Praktična nastava 40 Usmeni ispit 30
      Projekti 0
      Kolokvijumi 0
      Seminari 30