26M111APTM - Analiza podataka i tehnike mašinskog učenja

Specifikacija predmeta
Naziv		Analiza podataka i tehnike mašinskog učenja
Akronim		26M111APTM
Studijski program		Elektrotehnika i računarstvo
Modul		modul Audio i video tehnologije, modul Biomedicinski i ekološki inženjering, modul Elektroenergetski sistemi Smer - Mreže i sistemi, modul Elektroenergetski sistemi Smer - Obnovljivi izvori energije, modul Elektroenergetski sistemi Smer - Postrojenja i oprema, 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 Softversko inženjerstvo
Tip studija		master akademske studije
Nastavnik (predavač)		prof. dr Dražen Drašković prof. dr Boško Nikolić
Nastavnik/saradnik (vežbe)		as. ms Jelica Cincović, dipl. inž. el. i rač.
Nastavnik/saradnik (DON)		as. ms Jelica Cincović, dipl. inž. el. i rač.
Broj ESPB		6.0	Status predmeta	izborni
Uslovljnost drugim predmetima		nema
Ciljevi izučavanja predmeta		Cilj predmeta je upoznavanje studenata sa istraživanjem podataka, analizom i vizuelizacijom, kao i 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
Sadržaj teorijske nastave		Uvod u analizu podataka i mašinsko učenje. Preprocesiranje podataka i inženjering karakteristika. Istraživačka analiza podataka (EDA). Algoritmi nadgledanog učenja. Evaluacija i validacija modela. Nenadgledano učenje. Analiza vremenskih serija. Uvod u neuronske mreže i duboko učenje. Etika i interpretabilnost u mašinskom učenju.
Sadržaj praktične nastave		Vizuelne simulacije teorijski obrađenih problema. Rešavanje i demonstracija praktičnih zadataka. Analiza najnovijih istraživanja i naučnih radova iz ove oblasti.
Literatura
Data Mining: Practical Machine Learning Tools and Techniques, by Ian H. Witten, Eibe Frank, Mark A. Hall, Christopher J. Pal; Morgan Kaufmann, 4th Edition, 2016. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, by Aurélien Géron, O’Reilly, 3rd Edition, 2023. Machine Learning with Python Cookbook, by C.Albon, O'Reilly Media; 1st edition, 2018. Feature Engineering for Machine Learning: Principles and Techniques for Data Scientists, by Alice Zheng and Amanda Casari, O'Reilly Media, 1st Edition, 2018. Linear Algebra and Learning from Data, by Gilbert Strang, 1st edition, Wellesley-Cambridge Press, 2019, ISBN: ‎ 978-0692196380
Broj časova aktivne nastave nedeljno tokom semestra/trimestra/godine
Predavanja	Vežbe	DON	Studijski i istraživački rad	Ostali časovi
2	2	1
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		30	Usmeni ispit	0
Projekti		30
Kolokvijumi		0
Seminari		0