Preskoči na glavni sadržaj

Osnove strojnog učenja

ISVU: 251794•5 ECTS•Zimski semestar

Osnovne informacije

Organizacijska jedinica
Centar za kognitivnu znanost
Satnica
  • Predavanja: 45 sati
  • Laboratorijske vježbe: 15 sati

Cilj

Cilj kolegija je studentima dati osnovna znanja o osnovama strojnog učenja. To uključuje znanje o različitim metodama klasifikacije, regresije i grupiranja, smanjenju dimenzionalnosti i odabiru modela. Studenti će također steći znanja o korištenju biblioteka za strojno učenje otvorenog koda i njihovoj primjeni za obavljanje različitih zadataka strojnog učenja.

Sadržaj

  1. Uvod u strojno učenje. Osnovni pojmovi i definicije.
  2. Regresija. Regularizacija.
  3. Linearni diskriminativni modeli. Logistička regresija. Perceptron.
  4. Strojevi potpornih vektora. Jezgreni strojevi.
  5. Neparametarske metode. K-nn. Stabla odluke.
  6. Procjena parametara. Gaussovi procesi.
  7. Bayesov procjenjitelj. Naivni Bayes.
  8. Međuispit.
  9. Kombiniranje klasifikatora. Ansambli. Slučajne šume.
  10. Metode grupiranja. K srednjih vrijednosti. Metoda k-medoida.
  11. Metode grupiranja. Hijerarhijsko grupiranje. DBSCAN. OPTICS.
  12. Validacija i odabir modela. Unakrsna provjera valjanosti. Ocjena učinkovitosti.
  13. Odabir i redukcija značajki.
  14. Podržano učenje.
  15. Završni ispit.

Ishodi učenja

  1. Objasniti osnovne koncepte strojnog učenja.
  2. Odrediti prikladnost metode strojnog učenja za dani problem.
  3. Odrediti pretpostavke i format ulaznih podataka za primjenu odgovarajućeg algoritma strojnog učenja.
  4. Primijeniti algoritam strojnog učenja na zadani skup podataka koristeći odgovarajući programski okvir.
  5. Interpretirati rezultate modela strojnog učenja.
  6. Odabrati najprikladniju metodu strojnog učenja ovisno o dobivenim rezultatima i ciljevima projekta.
  7. Na temelju dobivenih rezultata predložiti poboljšanja primijenjene metode strojnog učenja.
  8. Primijeniti različite algoritme klasifikacije, uključujući generativne, diskriminativne i neparametarske.
  9. Primijeniti algoritme za grupiranje podataka i postupke provjere grupiranja.
  10. Osmisliti i implementirati metodu za klasifikaciju/grupiranje i provesti njezino vrednovanje.

Metode podučavanja

Predavanja, Vježbe, Samostalni zadaci

Metode ocjenjivanja

Pohađanje nastave, Pismeni ispit, Kolokvij, Praktični rad

Obavezna literatura

  1. Ethem Alpaydin, Introduction to Machine Learning
  2. Peter Flach, Machine Learning: The Art and Science of Algorithms that Make Sense of Data

Dopunska literatura

  1. Christopher Bishop, Pattern Recognition and Machine Learning
  2. Andreas C. Müller, Sarah Guido, Introduction to Machine Learning with Python A Guide for Data Scientists