Циљ и исход предмета
Упознавање са алгоритмима машинског учења и оспособљавање за решавање конкретних проблема коришћењем техника машинског учења. Познавање главног дела спектра техника машинског учења. Разумевање матричне поставке проблема, дефинисања критеријумских функција помоћу вероватноћа и начина решавања регресионих и класификационих проблема. Познавање оптимизационих и регуларизационих процедура, као и модуларног приступа у обучавању слојевитих архитектура. Познавање ансамбл метода и техника редукције димензија.
Теоријска настава
Увод, преглед области. Кратак 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. Неуралне мреже. SVM алгоритам (Support Vector Machines). Стабла одлучивања, ансамбл алгоритми, RDF (Random Decision Forests). Увод у дубоко учење.
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. Tensorflow. Линеарна регресија. Логистичка регресија. Instance-based методе. Обрада језика, Naive Bayes. Неуралне мреже. OpenCV. Кластеризација, редукција димензија. SVM.