Примењено машинско учење

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 реинфорцемент 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.