Machine Learning

• Strojno učenje (SU): povijest, osnovni koncepti, primjene, razlozi sve šire uporabe, definiranje nadziranog i nenadziranog učenja
• Linearna regresija s jednom varijablom: definiranje funkcije pogreške, funkcije gubitka, gradijentnog spusta
• Linearna regresija s više varijabli: višestruke značajke, proširenje prethodno definiranih pojmova (u slučaju jedne varijable) na slučaj s više varijabli
• Klasifikacija: pojam klasifikacije, logistička regresija kao metoda klasifikacije, definiranje osnovnih pojmova (granica odluke, funkcija gubitka, optimizacija itd.)
• Regularizacija: definiranje pojma regularizacije, zašto je nužna generalizacija, složenost modela, problem prenaučenosti (overfitting) modela
• Neuronske mreže: povijest, osnovni pojmovi, nelinearne hipoteze, reprezentacija modela
• Učenje neuronskih mreža: algoritam ?povratnog razmnožavanja? (backpropagation), provjera gradijenta, nasumična inicijalizacija
• Primjena strojnog učenja: evaluacija hipotezi, odabir modela
• Dizajn sustava strojnog učenja: analiza greške, metrike za evaluaciju greške
• Metoda potpornih vektora (support vector machines ? SVM): matematička podloga ideje maksimalne margine, jezgre (kernels)
• Nenadzirano učenje (unsepervised learning): Algoritam K sredina (K-Means Algorithm)
• Redukcija dimenzionalnosti: kompresija podataka, vizualizacija, formulacija problema i metoda glavnih komponenti (pricipal component analysis – PCA)
• Detekcija anomalija: normalna (Gaussova) razdioba, multivarijantna normalna razdioba, detekcija anomalija i nadzirano učenje
• Dizajn sustava za davanje preporuka (recommender system): sustavi temeljeni na sadržaju objekata (content-based)
• Prezentacije studentskih projekata

1. Analyze the theoretical concepts of basic algorithms and the difference between supervised and unsupervised machine learning
2. Analyze and correctly interpret the basic concepts of machine learning
3. formulate / design basic regression and classification algorithms
4. choose a machine learning model procedure and perform an accuracy evaluation
5. assess the suitability of basic machine learning algorithms for a specific task
6. integrate machine learning models in simpler real-world problems

Required reading

• Ethem Alpaydin, Introduction to Machine Learning, The MIT Press, 2009.
  Ethem Alpaydin, Strojno učenje, The MIT Press, Mate, Zagreb, 2021.
  Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer, 2007.