Mašinsko učenje

Cilj i ishod predmeta

Upoznavanje sa algoritmima mašinskog učenja i osposobljavanje za rešavanje konkretnih problema korišćenjem tehnika mašinskog učenja. Poznavanje glavnog dela spektra tehnika mašinskog učenja. Razumevanje matrične postavke problema, definisanja kriterijumskih funkcija pomoću verovatnoća i načina rešavanja regresionih i klasifikacionih problema. Poznavanje optimizacionih i regularizacionih procedura, kao i modularnog pristupa u obučavanju slojevitih arhitektura. Poznavanje ansambl metoda i tehnika redukcije dimenzija.

Teorijska nastava

Uvod, pregled oblasti. Kratak 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. Neuralne mreže. SVM algoritam (Support Vector Machines). Stabla odlučivanja, ansambl algoritmi, RDF (Random Decision Forests). Uvod u duboko učenje.

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. Tensorflow. Linearna regresija. Logistička regresija. Instance-based metode. Obrada jezika, Naive Bayes. Neuralne mreže. OpenCV. Klasterizacija, redukcija dimenzija. SVM.