Навигација

13М051МУ - Машинско учење

Спецификација предмета
НазивМашинско учење
Акроним13М051МУ
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 предметаУпознавање студената са теоријским и практичним аспектима машинског учења са надзором и учења са подстицањем. Илустрација различитих области примене са избором адекватних техника за решавање проблема моделирања, оптимизације, евалуације и имплементације.
    Исходи учења (стечена знања)Студенти ће бити способини да изаберу адекватан алгоритам за конкретан реални проблем класификације, регресије илу учења подстицањем, да га имплементирају, оптимизују његове параметре и тестирају његове перформансе. Такође ће посебна пажња бити посвећена техникама формулације проблема и свођења на облик која је погодан за примену техника покривених овим предметом.
    Садржај предмета
    Линк ка страници предметаhttp://automatika.etf.bg.ac.rs/sr/13m051mu
    Линк ка предавањимаhttps://teams.microsoft.com/l/team/19%3Ah08GQ7IOAC3WGZQExgBZNHNfLl4EZoQ-r_frhiJke8U1%40thread.tacv2/conversations?groupId=4895b6af-8c23-4b4f-9fca-1e3beb762442&tenantId=1774ef2e-9c62-478a-8d3a-fd2a495547ba
    Садржај теоријске наставеЛинеарна и логистичка регресија. Методе нумеричке оптимизације. Експоненцијална фамилија расподела и генерализовани линеарни модели. Генеративни алгоритми. Метода носећих вектора. Стабла одлучивања, bagging, boosting, AdaBoost, Random Forests. Гаусовски процеси. Избор модела и одлика. Теорија учења: померај и варијанса, VC-димензија. Учење подстицањем.
    Садржај практичне наставеРеализација регресора и класификатора над симулираним и реалним подацима коришћењем програмских пакета Python и Matlab/Octave. Имплементација алгоритама учења подстицањем у симулираним окружењима.
    Литература
    1. C. Bishop, "Pattern Recognition and Machine Learning", Springer, 2007
    2. Stuart Russel, Peter Norvig, "Artificial Intelligence: A Modern Approach", Pearson, 2010
    3. T. Hastie, R. Tibshirani, J. Friedman, "The Elements of Statistical Learning: Data Mining, Inference, and Prediction", Springer, 2008
    Број часова активне наставе недељно током семестра/триместра/године
    ПредавањаВежбеДОНСтудијски и истраживачки радОстали часови
    31
    Методе извођења наставе45 часова предавања + 15 часова вежби на табли; самостална израда домаћих задатака и пројекта.
    Оцена знања (максимални број поена 100)
    Предиспитне обавезеПоенаЗавршни испитПоена
    Активности у току предавањаПисмени испит60
    Практична настава20Усмени испит
    Пројекти20
    Колоквијуми
    Семинари