Strojno učenje

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. analizirati teorijske koncepte osnovnih algoritama te razliku nadziranog i nenadziranog strojnog učenja.
2. analizirati i pravilno tumačiti osnovne pojmove strojnog učenja
3. formulirati / oblikovati osnovne algoritme regresije i klasifikacije.
4. odabrati postupak modela strojnog učenja te provesti evaluaciju točnosti
5. procijeniti prikladnost osnovnih algoritama strojnog učenja na konkretan zadatak
6. integrirati modele strojnog učenja u jednostavnijim realnim problemima

Obavezna literatura

• 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.