Preskoči na vsebino
Moj profil

Predmet

Strojno učenje

Izbirni6 ECTS3. semester60 h poukaJezik izvajanja: hrvaščina

Opis predmeta

Opis predmeta je na voljo samo v hrvaščini.

  • 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

Kdaj in kje

The timetable and room occupancy are available after signing in with your TVZ account.

Sign in with TVZ account

Course announcements

Source: Digit (Moodle). Full announcements are available to students enrolled in the e-course.

Učni izidi

Učni izidi so prikazani v angleščini.

  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

Literatura

Obvezna 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.

Nosilci predmeta 1

Izvajalci pouka 1

Izpitni roki

Roki za to študijsko leto še niso objavljeni. Lani so bili:

do 10 dni do 30 dni pozneje izvedeni
Vir: ISVU. Klik na rok odpre Studomat za prijavo na izpit; tam preveri tudi morebitne spremembe.