26М111АПТМ - Анализа података и технике машинског учења

Спецификација предмета
Назив		Анализа података и технике машинског учења
Акроним		26М111АПТМ
Студијски програм		Електротехника и рачунарство
Модул		модул Аудио и видео технологије, модул Биомедицински и еколошки инжењеринг, модул Електроенергетски системи Смер - Мреже и системи, модул Електроенергетски системи Смер - Обновљиви извори енергије, модул Електроенергетски системи Смер - Постројења и опрема, 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 Софтверско инжењерство
Тип студија		мастер академске студије
Наставник (предавач)		проф. др Дражен Драшковић проф. др Бошко Николић
Наставник/сарадник (вежбе)		ас. мс Јелица Цинцовић, дипл. инж. ел. и рач.
Наставник/сарадник (ДОН)		ас. мс Јелица Цинцовић, дипл. инж. ел. и рач.
Број ЕСПБ		6.0	Статус предмета	изборни
Условљност другим предметима		нема
Циљеви изучавања предмета		Циљ предмета је упознавање студената са истраживањем података, анализом и визуелизацијом, као и најпопуларнијим моделима машинског учења и методологијом њиховог правилног коришћења и евалуације.
Исходи учења (стечена знања)		Oчекује се да студент по успешном завршетку курса буде у стању да: 1) демонстрира разумевање проблема који се решава, примени алгоритме и технике машинског учења и дефинише сопствене моделе решавања проблема; 2) стекне осећај за истраживање, анализу и обраду података и приказивање добијених резултата; 3) научи да развија сопствене апликације или користи већ постојеће софтверске алате и библиотеке
Садржај предмета
Садржај теоријске наставе		Увод у анализу података и машинско учење. Препроцесирање података и инжењеринг карактеристика. Истраживачка анализа података (EDA). Алгоритми надгледаног учења. Евалуација и валидација модела. Ненадгледано учење. Анализа временских серија. Увод у неуронске мреже и дубоко учење. Етика и интерпретабилност у машинском учењу.
Садржај практичне наставе		Визуелне симулације теоријски обрађених проблема. Решавање и демонстрација практичних задатака. Анализа најновијих истраживања и научних радова из ове области.
Литература
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
Број часова активне наставе недељно током семестра/триместра/године
Предавања	Вежбе	ДОН	Студијски и истраживачки рад	Остали часови
2	2	1
Методе извођења наставе		Предавања са презентацијама, интерактивне аудиторне вежбе, самостална израда пројекта, лабораторијске вежбе са визуелним симулацијама
Оцена знања (максимални број поена 100)
Предиспитне обавезе		Поена	Завршни испит	Поена
Активности у току предавања		0	Писмени испит	40
Практична настава		30	Усмени испит	0
Пројекти		30
Колоквијуми		0
Семинари		0