Navigacija

13M051MU - Mašinsko učenje

Specifikacija predmeta
Naziv Mašinsko učenje
Akronim 13M051MU
Studijski program Elektrotehnika i računarstvo
Modul
Tip studija master akademske studije
Nastavnik (predavač)
Nastavnik/saradnik (vežbe)
Nastavnik/saradnik (DON)
    Broj ESPB 6.0 Status predmeta izborni
    Uslovljnost drugim predmetima nema
    Ciljevi izučavanja predmeta Upoznavanje studenata sa teorijskim i praktičnim aspektima mašinskog učenja sa nadzorom i učenja sa podsticanjem. Ilustracija različitih oblasti primene sa izborom adekvatnih tehnika za rešavanje problema modeliranja, optimizacije, evaluacije i implementacije.
    Ishodi učenja (stečena znanja) Studenti će biti sposobini da izaberu adekvatan algoritam za konkretan realni problem klasifikacije, regresije ilu učenja podsticanjem, da ga implementiraju, optimizuju njegove parametre i testiraju njegove performanse. Takođe će posebna pažnja biti posvećena tehnikama formulacije problema i svođenja na oblik koja je pogodan za primenu tehnika pokrivenih ovim predmetom.
    Sadržaj predmeta
    Link ka stranici predmeta http://automatika.etf.bg.edu.rs/sr/13m051mu
    Link ka predavanjima https://teams.microsoft.com/l/team/19%3Ah08GQ7IOAC3WGZQExgBZNHNfLl4EZoQ-r_frhiJke8U1%40thread.tacv2/conversations?groupId=4895b6af-8c23-4b4f-9fca-1e3beb762442&tenantId=1774ef2e-9c62-478a-8d3a-fd2a495547ba
    Sadržaj teorijske nastave Linearna i logistička regresija. Metode numeričke optimizacije. Eksponencijalna familija raspodela i generalizovani linearni modeli. Generativni algoritmi. Metoda nosećih vektora. Stabla odlučivanja, bagging, boosting, AdaBoost, Random Forests. Gausovski procesi. Izbor modela i odlika. Teorija učenja: pomeraj i varijansa, VC-dimenzija. Učenje podsticanjem.
    Sadržaj praktične nastave Realizacija regresora i klasifikatora nad simuliranim i realnim podacima korišćenjem programskih paketa Python i Matlab/Octave. Implementacija algoritama učenja podsticanjem u simuliranim okruženjima.
    Literatura
    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
    Broj časova aktivne nastave nedeljno tokom semestra/trimestra/godine
    Predavanja Vežbe DON Studijski i istraživački rad Ostali časovi
    3 1
    Metode izvođenja nastave 45 časova predavanja + 15 časova vežbi na tabli; samostalna izrada domaćih zadataka i projekta.
    Ocena znanja (maksimalni broj poena 100)
    Predispitne obaveze Poena Završni ispit Poena
    Aktivnosti u toku predavanja Pismeni ispit 60
    Praktična nastava 20 Usmeni ispit
    Projekti 20
    Kolokvijumi
    Seminari