Cilj i ishod predmeta
Upoznavanje sa metodologijom rešavanja problema pomoću tehnika mašinskog učenja i osposobljavanje za
samostalnu primenu algoritama mašinskog učenja.
Poznavanje važnijih algoritama mašinskog učenja i metoda njihove evaluacije. Razumevanje matrične
postavke problema, kao i modularnog pristupa u obučavanju slojevitih arhitektura. Poznavanje
optimizacionih i regularizacionih procedura. Razumevanje algoritama linearne i logističke regresije.
Poznavanje metodologije obučavanja višeslojnih neuralnih mreža. Poznavanje ansambl metoda i tehnika
redukcije dimenzija. Razumevanje osnovnih principa nenadgledanog i reinforcement učenja, konvolucionih
i rekurentnih neuralnih mreža.
Teorijska nastava
Uvod, glavni koraci algoritama mašinskog učenja, načini evaluacije modela. Linearna regresija. Tehnike
regularizacije i optimizacije. Logistička regresija. Modularni pristup u obučavanju višeslojnih
neuralnih mreža. Neuralne mreže. SVM algoritam (support vector machines). Redukcija dimenzija. Stabla
odlučivanja, ansambl algoritmi, RDF (random decision forests). Glavni algoritmi nenadgledanog učenja.
Osnove reinforcement učenja. Osnove konvolucionih i rekurentnih neuralnih mreža. Uvod u duboko učenje.
Praktična nastava
Selekcija i praktično projektovanje modela koji su razmatrani na časovima predavanja, i njihova
evaluacija na dostupnim obučavajućim skupovima za testiranje algoritama mašinskog učenja. Scikit-learn,
Tensorflow. Linearna i logistička regresija. Instance-based metode. Obrada jezika, Naive Bayes. Neuralne
mreže. Primene u računarskoj viziji, OpenCV. Klasterizacija, redukcija dimenzija. SVM. RDF, boosting
algoritmi, XGBoost. Primene u problemima regresije, klasifikacije i klasterizacije.