Навигација

26М111АПТМ - Анализа података и технике машинског учења

Спецификација предмета
НазивАнализа података и технике машинског учења
Акроним26М111АПТМ
Студијски програмЕлектротехника и рачунарство
Модулмодул 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 студијамастер академске студије
Наставник (предавач)
Наставник/сарадник (вежбе)
Наставник/сарадник (ДОН)
Број ЕСПБ6.0Статус предметаизборни
Условљност другим предметиманема
Циљеви изучавања предметаЦиљ 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 наставеУвод 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 наставеВизуелне симулације теоријски обрађених проблема. Решавање и демонстрација практичних задатака. Анализа најновијих истраживања и научних радова из ове области.
Литература
  1. 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.
  2. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, by Aurélien Géron, O’Reilly, 3rd Edition, 2023.
  3. Machine Learning with Python Cookbook, by C.Albon, O'Reilly Media; 1st edition, 2018.
  4. Feature Engineering for Machine Learning: Principles and Techniques for Data Scientists, by Alice Zheng and Amanda Casari, O'Reilly Media, 1st Edition, 2018.
  5. 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
ПредавањаВежбеДОНСтудијски и истраживачки радОстали часови
221
Методе извођења наставеПредавања са презентацијама, интерактивне аудиторне вежбе, самостална израда пројекта, лабораторијске вежбе са визуелним симулацијама
Оцена знања (максимални број поена 100)
Предиспитне обавезеПоенаЗавршни испитПоена
Активности у току предавања0Писмени испит40
Практична настава30Усмени испит0
Пројекти30
Колоквијуми0
Семинари0