Циљ и исход предмета
Упознавање са методологијом решавања проблема помоћу техника машинског учења и оспособљавање за
самосталну примену алгоритама машинског учења.
Познавање важнијих алгоритама машинског учења и метода њихове евалуације. Разумевање матричне
поставке проблема, као и модуларног приступа у обучавању слојевитих архитектура. Познавање
оптимизационих и регуларизационих процедура. Разумевање алгоритама линеарне и логистичке регресије.
Познавање методологије обучавања вишеслојних неуралних мрежа. Познавање ансамбл метода и техника
редукције димензија. Разумевање основних принципа ненадгледаног и reinforcement учења, конволуционих
и рекурентних неуралних мрежа.
Теоријска настава
Увод, главни кораци алгоритама машинског учења, начини евалуације модела. Линеарна регресија. Технике
регуларизације и оптимизације. Логистичка регресија. Модуларни приступ у обучавању вишеслојних
неуралних мрежа. Неуралне мреже. SVM алгоритам (support vector machines). Редукција димензија. Стабла
одлучивања, ансамбл алгоритми, RDF (random decision forests). Главни алгоритми ненадгледаног учења.
Основе reinforcement учења. Основе конволуционих и рекурентних неуралних мрежа. Увод у дубоко учење.
Практична настава
Селекција и практично пројектовање модела који су разматрани на часовима предавања, и њихова
евалуација на доступним обучавајућим скуповима за тестирање алгоритама машинског учења. Scikit-learn,
Tensorflow. Линеарна и логистичка регресија. Instance-based методе. Обрада језика, Naive Bayes. Неуралне
мреже. Примене у рачунарској визији, OpenCV. Кластеризација, редукција димензија. SVM. RDF, boosting
алгоритми, XGBoost. Примене у проблемима регресије, класификације и кластеризације.