Циљ предмета
Упознавање са алгоритмима машинског учења и оспособљавање за решавање конкретних проблема коришћењем техника машинског учења.
Исход предмета
Разумевање поставке проблема и дефинисање критеријумских функција. Решавање регресионих и класификационих проблема. Познавање оптимизационих и регуларизационих процедура, као и модуларног приступа у обучавању слојевитих архитектура.
Садржај предмета
Теоријска настава
Преглед теорије вероватноће за потребе машинског учења. Евалуација система машинског учења. Линеарна регресија. Технике естимације. Технике регуларизације. Бајесовско учење. Редукција димензија. Оптимизација. Логистичка регресија. Пропагација уназад – модуларни приступ. Неуронске мреже. SVM (Support Vector Machines) алгоритам. Стабла одлучивања, ансамбл алгоритми, RDF (Random Decision Forests). Дубоко учење – иницијализација, регуларизација, нормализација и подешавање хиперпараметара. Алгоритми оптимизације. Дубоке конволуционе неуронске мреже – различите архитектуре, практични аспекти, примена у детекцији објеката, препознавању лица и трансферу стилова. Дубоке рекурентне неуралне мреже – LSTM (Long short-term memory) мреже, примене у обради природног језика и препознавању говора. Генеративне супарничке мреже. Основни принципи дубоког reinforcement учења.
Практична настава
Практично пројектовање и примена алгоритама који су разматрани на часовима предавања и њихова евалуација на јавно доступним базама података за тестирање метода машинског учења. Анализа и употреба алата TensorFlow, PyTorch и Keras. Примери кластеризације и редукције димензија. Дубоке конволуционе и рекурентне неуронске мреже. Дубоки генеративни модели – генеративне супарничке мреже, аутоенкодери. Дубоко reinforcement учење. Примене у рачунарском виду, обради природног језика, препознавању говора, системима за препоруку и биоинформатици.