13М051МУ - Машинско учење

Спецификација предмета
Назив		Машинско учење
Акроним		13М051МУ
Студијски програм		Електротехника и рачунарство
Модул		модул Аудио и видео комуникације, модул Аудио и видео технологије, модул Биомедицински и еколошки инжењеринг, модул Биомедицинско и еколошко инжењерство, модул Електроенергетски системи Смер - Мреже и системи, модул Електроенергетски системи Смер - Обновљиви извори енергије, модул Електроенергетски системи Смер - Постројења и опрема, модул Електроника, модул Електроника и дигитални системи, модул Енергетска ефикасност, модул Информационо комуникационе технологије, модул Микроталасна техника, модул Наноелектроника и фотоника, модул Примењена математика, модул Рачунарска техника и информатика, модул Сигнали и системи, модул Системско инжењерство и радио комуникације, модул Софтверско инжењерство
Тип студија		мастер академске студије
Наставник (предавач)		проф. др Предраг Тадић
Наставник/сарадник (вежбе)		проф. др Предраг Тадић
Наставник/сарадник (ДОН)
Број ЕСПБ		6.0	Статус предмета	изборни
Условљност другим предметима		нема
Циљеви изучавања предмета		Упознавање студената са теоријским и практичним аспектима машинског учења са надзором, самонадзором, и без надзора. 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 генерисања, класификације или регресије, 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
Садржај теоријске наставе		Линеарна 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. Трансформер архитектура, пред-обучавање и генеративни модели.
Садржај практичне наставе		Реализација регресора, класификатора и генеративних модела над симулираним и реалним подацима коришћењем програмског језика Python.
Литература
C. Bishop, "Pattern Recognition and Machine Learning", Springer, 2007 Stuart Russel, Peter Norvig, "Artificial Intelligence: A Modern Approach", Pearson, 2020 T. Hastie, R. Tibshirani, J. Friedman, "The Elements of Statistical Learning: Data Mining, Inference, and Prediction", Springer, 2008 A. Zhang, Z.C. Lipton, M. Li, A.J. Smola, "Dive into deep learning", Cambridge University Press, 2023
Број часова активне наставе недељно током семестра/триместра/године
Предавања	Вежбе	ДОН	Студијски и истраживачки рад	Остали часови
3	1
Методе извођења наставе		45 часова предавања + 15 часова вежби на табли; самостална израда домаћих задатака и пројекта.
Оцена знања (максимални број поена 100)
Предиспитне обавезе		Поена	Завршни испит	Поена
Активности у току предавања			Писмени испит	60
Практична настава		30	Усмени испит
Пројекти		10
Колоквијуми
Семинари