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

Bibliografia obbligatoria

• 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.