Cilj predmeta
Upoznavanje sa algoritmima mašinskog učenja i osposobljavanje za rešavanje konkretnih problema korišćenjem tehnika mašinskog učenja.
Ishod predmeta
Razumevanje postavke problema i definisanje kriterijumskih funkcija. Rešavanje regresionih i klasifikacionih problema. Poznavanje optimizacionih i regularizacionih procedura, kao i modularnog pristupa u obučavanju slojevitih arhitektura.
Sadržaj predmeta
Teorijska nastava
Pregled teorije verovatnoće za potrebe mašinskog učenja. Evaluacija sistema mašinskog učenja. Linearna regresija. Tehnike estimacije. Tehnike regularizacije. Bajesovsko učenje. Redukcija dimenzija. Optimizacija. Logistička regresija. Propagacija unazad – modularni pristup. Neuronske mreže. SVM (Support Vector Machines) algoritam. Stabla odlučivanja, ansambl algoritmi, RDF (Random Decision Forests). Duboko učenje – inicijalizacija, regularizacija, normalizacija i podešavanje hiperparametara. Algoritmi optimizacije. Duboke konvolucione neuronske mreže – različite arhitekture, praktični aspekti, primena u detekciji objekata, prepoznavanju lica i transferu stilova. Duboke rekurentne neuralne mreže – LSTM (Long short-term memory) mreže, primene u obradi prirodnog jezika i prepoznavanju govora. Generativne suparničke mreže. Osnovni principi dubokog reinforcement učenja.
Praktična nastava
Praktično projektovanje i primena algoritama koji su razmatrani na časovima predavanja i njihova evaluacija na javno dostupnim bazama podataka za testiranje metoda mašinskog učenja. Analiza i upotreba alata TensorFlow, PyTorch i Keras. Primeri klasterizacije i redukcije dimenzija. Duboke konvolucione i rekurentne neuronske mreže. Duboki generativni modeli – generativne suparničke mreže, autoenkoderi. Duboko reinforcement učenje. Primene u računarskom vidu, obradi prirodnog jezika, prepoznavanju govora, sistemima za preporuku i bioinformatici.