13М051МУ - Машинско учење

Спецификација предмета
Назив		Машинско учење
Акроним		13М051МУ
Студијски програм		Електротехника и рачунарство
Модул		модул Сигнали и системи
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
Циљеви изучавања предмета		Упознавање 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 предмета		http://automatika.etf.bg.edu.rs/sr/13m051mu
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. Учење подстицањем.
Садржај практичне наставе		Реализација регресора и класификатора над реалним подацима коришћењем програмских пакета Matlab/Octave, Python или R. Имплементација учења подстицањем у симулираним окружењима.
Литература
C. Bishop, "Pattern Recognition and Machine Learning", Springer, 2007 A. Ng, J. Duchi, "Machine learning", Lecture notes, Stanford, 2016 T. Jaakkola, "Machine learning", Lecture notes, MIT Stuart Russel, Peter Norvig, "Artificial Intelligence: A Modern Approach", Pearson, 2010 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
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		20	Усмени испит
Пројекти		20
Колоквијуми
Семинари