Strojno učenje 1

Prikazani su podaci za akademsku godinu: 2023./2024.

Predavanja

Laboratorijske vježbe

Opis predmeta

Strojno učenje grana je umjetne inteligencije koja se bave oblikovanjem algoritama koji svoju učinkovitost poboljšavaju na temelju empirijskih podataka. Strojno učenje jedno je od danas najaktivnijih i najuzbudljivijih područja računarske znanosti, ponajviše zbog brojnih mogućnosti primjene koje se protežu od raspoznavanja uzoraka i dubinske analize podataka do robotike, računalnog vida, bioinformatike i računalne lingvistike. Ovaj se kolegij bavi teorijom i načelima strojnog učenja te daje pregled njegovih primjena. Kolegij obuhvaća dva osnovna pristupa strojnom učenju: nadzirano učenje (klasifikacija i regresija) i nenadzirano učenje (grupiranje i smanjenje dimenzionalnosti).

Studijski programi

Sveučilišni diplomski
Izborni predmeti (1. semestar) (3. semestar)
Jezgreni predmeti profila 2 (1. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
(1. semestar)
Izborni predmeti (1. semestar)
Izborni predmeti profila (1. semestar)
Jezgreni predmeti profila (1. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti profila (3. semestar)
Izborni predmet profila (1. semestar)
Izborni predmeti (1. semestar) (3. semestar)
(1. semestar)
Izborni predmeti (1. semestar) (3. semestar)
(1. semestar)
[FER2-HR] Obradba informacija - profil
preporučeni izborni predmeti (3. semestar)
[FER2-HR] Programsko inženjerstvo i informacijski sustavi - profil
Teorijski predmeti profila (1. semestar)
[FER2-HR] Računarska znanost - profil
Teorijski predmeti profila (1. semestar)

Ishodi učenja

  1. Definirati osnovne pojmove strojnog učenja
  2. Razlikovati između generativnih i diskriminativnih, parametarskih i neparametarskih te probabilističkih i neprobabilističkih modela
  3. Objasniti teorijske pretpostavke, prednosti i nedostatke temeljnih algoritama strojnog učenja
  4. Primijeniti postupak odabira modela i statističkog vrednovanja uspješnosti naučenog modela
  5. Primijeniti razne algoritme klasifikacije, uključivo generativne, diskriminativne i neparametarske
  6. Primijeniti algoritme grupiranja podataka i postupke provjere grupiranja
  7. Dizajnirati i implementirati postupak za klasifikaciju/grupiranje podataka te provesti njegovu evaluaciju
  8. Procijeniti prikladnost nekog algoritma strojnog učenja za zadani zadatak

Oblici nastave

Predavanja

Predavanja se odvijaju kroz 13 tjedana s po dva termina od dva školska sata tjedno.

Auditorne vježbe

Auditorne vježbe odvijaju se kroz 13 tjedna po potrebi.

Laboratorij

Programski zadatci koje studenti rješavaju samostalno te demonstriraju nastavniku odnosno asistentu.

Tjedni plan nastave

  1. Zadatci i primjene strojnog učenja. Prisutpi i paradigme strojnog učenja, hipoteze, model prostor parametra, prostor inačica, induktivno učenje i induktivna pristranost. Pristranost jezika i pristranost preferencije. Funkcija gubitka i funkcija pogreške. Prenaučenost i odabir morela. Minimizacija empirijskog i strukturnog rizika
  2. Regresija najmanjih kvadrata. procjena najveće izlgednosti za regresiju, Regularizirana regresija, Model maksimalne entropije, Funkcije za preslikavanje značajki
  3. Hipoteze, model. prostor parametra. prostor inačica. Perceptron (paradigme učenja, hebbovsko učenje, natjecateljsko učenje, Boltzmannovo učenje)
  4. Logistička regresija, poopćeni linerani modeli (eksponencijalna familija, procjenitelji ML i MAP)
  5. Metoda potpornih vektora za klasifikaciju.
  6. Lijeni klasifikatori (k-NN). Jezgrene funkcije (RBF, Mercerova jezgrena funkcija, linearna jezgrena funkcija). Jezgreni trik.
  7. Zajednice klasifikatora.
  8. Međuispit
  9. Procjenitelj najveće izglednosti, Procjenitelj najveće aposteriorne vjerojatnosti. Laplaceov procjenitelj, Beta-binomni model, Dirichlet-multinomni model
  10. Bajesovo pravilo za klasifikaciju, Naivan Bayesov klasifikator, Multivarijatni gaussovski Bayesov model
  11. Bayesove mreže. Monte Carlo zaključivanje.
  12. Gaussov mješavinski model za grupiranje, Algoritam k-srednjih vrijednosti
  13. Mjere vrednovanja zasnovane na matrici zabune (točnost, preciznost, odaziv, osjetljivost, F-mjera).
  14. Odabir značajki (metode filtra, odabir podskupa značajki, metode omotača)
  15. Završni ispit

Literatura

Ethem Alpaydin (2020.), Introduction to Machine Learning, MIT Press
Christopher M. Bishop (2007.), Pattern Recognition and Machine Learning, Springer
Kevin P. Murphy (2012.), Machine Learning, MIT Press

Za studente

Izvedba

ID 222786
  Zimski semestar
5 ECTS
R1 Engleski jezik
R1 E-učenje
45 Predavanja
0 Seminar
15 Auditorne vježbe
15 Laboratorijske vježbe
0 Konstrukcijske vježbe
0 Vježbe tjelesnog odgoja

Ocjenjivanje

izvrstan
vrlo dobar
dobar
dovoljan