FESB NASTAVA
Loading...
    Diplomski
    210 Automatika i sustavi
    1. semestar
    Prijediplomski
    Diplomski
    Doktorski
    Stručni
    Razlikovni
    110 Elektrotehnika i informacijska tehnologija
    111 Automatika i sustavi
    112 Elektronika i računalno inženjerstvo
    113 Elektrotehnika
    114 Komunikacijska i informacijska tehnologija
    120 Računarstvo
    130 Strojarstvo
    140 Brodogradnja
    150 Industrijsko inženjerstvo
    210 Automatika i sustavi
    220 Elektronika i računalno inženjerstvo
    221 Elektronika
    222 Računalno inženjerstvo
    230 Elektrotehnika
    231 Automatizacija i pogoni
    232 Elektroenergetski sustavi
    241 Bežične komunikacije
    242 Telekomunikacije i informatika
    250 Računarstvo
    261 Konstrukcijsko-energetsko strojarstvo
    262 Računalno projektiranje i inženjerstvo
    263 Proizvodno strojarstvo
    270 Industrijsko inženjerstvo
    271 Proizvodni management
    272 Upravljanje životnim ciklusom proizvoda
    280 Brodogradnja
    310 Elektrotehnika i informacijska tehnologija
    330 Strojarstvo
    510 Elektrotehnika
    511 Elektroenergetika
    512 Elektronika
    530 Strojarstvo
    540 Brodogradnja
    550 Računarstvo
    910 Automatika i sustavi
    920 Elektronika i računalno inženjerstvo
    930 Elektrotehnika
    940 Komunikacijska i informacijska tehnologija
    950 Računarstvo
    960 Strojarstvo
    970 Brodogradnja
    1. semestar
    2. semestar
    3. semestar
    4. semestar
    5. semestar
    6. semestar
    5. semestar
    6. semestar
    5. semestar
    6. semestar
    5. semestar
    6. semestar
    1. semestar
    2. semestar
    3. semestar
    4. semestar
    5. semestar
    6. semestar
    1. semestar
    2. semestar
    3. semestar
    4. semestar
    5. semestar
    6. semestar
    1. semestar
    2. semestar
    3. semestar
    4. semestar
    5. semestar
    6. semestar
    1. semestar
    2. semestar
    3. semestar
    4. semestar
    5. semestar
    6. semestar
    1. semestar
    2. semestar
    3. semestar
    4. semestar
    1. semestar
    2. semestar
    3. semestar
    4. semestar
    3. semestar
    4. semestar
    1. semestar
    2. semestar
    3. semestar
    4. semestar
    2. semestar
    3. semestar
    4. semestar
    1. semestar
    2. semestar
    3. semestar
    4. semestar
    1. semestar
    2. semestar
    3. semestar
    4. semestar
    1. semestar
    2. semestar
    3. semestar
    4. semestar
    1. semestar
    2. semestar
    3. semestar
    4. semestar
    1. semestar
    2. semestar
    3. semestar
    4. semestar
    1. semestar
    2. semestar
    3. semestar
    4. semestar
    1. semestar
    2. semestar
    3. semestar
    4. semestar
    3. semestar
    4. semestar
    1. semestar
    2. semestar
    3. semestar
    4. semestar
    1. semestar
    2. semestar
    3. semestar
    4. semestar
    5. semestar
    6. semestar
    1. semestar
    2. semestar
    3. semestar
    4. semestar
    5. semestar
    6. semestar
    1. semestar
    2. semestar
    3. semestar
    4. semestar
    5. semestar
    6. semestar
    3. semestar
    4. semestar
    5. semestar
    6. semestar
    1. semestar
    2. semestar
    3. semestar
    4. semestar
    5. semestar
    6. semestar
    1. semestar
    2. semestar
    3. semestar
    4. semestar
    5. semestar
    6. semestar
    1. semestar
    2. semestar
    3. semestar
    4. semestar
    5. semestar
    6. semestar
    1. semestar
    2. semestar
    1. semestar
    2. semestar
    1. semestar
    2. semestar
    1. semestar
    2. semestar
    1. semestar
    2. semestar
    1. semestar
    2. semestar
    1. semestar
    2. semestar
    Nema predmeta
      Upit treba biti dulji od 1 znaka...
      Nema rezultata
      U polje za pretragu upišite naziv ili kôd predmeta koji želite pronaći
      • nema koda:
      • Uvod u strojno učenje

        (FELG30)
        2023/24 godina
        preduvjeti za upis
        Završen preddiplomski studij Elektrotehnike i informacijske tehnologije, ili studij Računarstva. Korisno je napredno znanje iz statistike, kao i poznavanje osnova računske inteligencije, ali nije neophodno.
        ciljevi predmeta

        Osposobljavanje studenata za:
        • Razumijevanje i primjenu temeljnih pojmova iz područja strojnog učenja
        • Primjenu različitih algoritama strojnog učenja na klasifikaciju i regresiju podataka
        • Odabir i primjenu odgovarajućeg klasifikacijskog ili regresijskog algoritma za zadani, konkretan zadatak
        • Evaluaciju kvalitete izvedbe pojedinih algoritama strojnog učenja pomoću evaluacijskih mjera
        • Izvršavanje algoritama strojnog učenja u programskim okružjima Weka, Python (s pripadajućim bibliotekama za strojno učenje) i Matlab
        • Izvršavanje algoritama strojnog učenja na namjenskom hardveru

        očekivani ishodi učenja

        Nakon uspješno savladanog predmeta, studenti će moći:
        • Definirati osnovne pojmove strojnog učenja
        • Objasniti prednosti i nedostatke temeljnih algoritama strojnog učenja
        • Primijeniti razne algoritme klasifikacije i regresije
        • Procijeniti prikladnost pojedinačnog algoritma strojnog učenja za zadani, konkretni zadatak na temelju evaluacijskih mjera
        • Razumjeti princip rada različitih arhitektura umjetnih neuronskih mreža
        • Primijeniti razne tipove umjetnih neuronskih mreža u rješavanju konkretnih zadataka

        nastava i predavači
         
        30 sati
        2 sata tjedno × 15 tjedana
         
        Laboratorijske vježbe
        30 sati
        2 sata tjedno × 15 tjedana
        sadržaj

        Temeljni principi, područja primjene, definicije i pregled metoda strojnog učenja. Nadzirano i nenadzirano učenje. Prezentacija i strukturiranje podataka: skupovi podataka, atributi (značajke) kojima opisujemo podatke, ciljni atribut, primjeri za učenje, validaciju i testiranje algoritama strojnog učenja. Preprocesiranje (priprema) podataka. Algoritmi nadziranog učenja: Naivni Bayes - NB, Stablo odluke , Linearna regresija, Logistička regresija, Neuralne mreže, Algoritam potpornih vektora (eng. SVM), Evaluacijske mjere za procjenu efikasnosti pojedinih klasifikacijskih algoritama, Algoritam nenadziranog učenja: K-means grupiranje ili klasteriranje

        preporučena literatura
        • 1. Slajdovi: ‘’Uvod u strojno učenje’’, Tamara Grujić, Ivo Stančić (dostupnost: e-learning)

        • 2. ''Upute za laboratorijske vježbe'', Tamara Grujić, Ivo Stančić (dostupnost: e-learning)

        • 3. Christopher M. Bishop (2006.), Pattern Recognition and Machine Learning, Springer

        • 4. Hastie, T., R. Tibshirani, and J. H. Friedman (2008.), The Elements of Statistical Learning: Data Mining, Inference and Prediction. New York, NY: Springer, Second Edition

        • 5. Ian H. Witten, Eibe Frank (2017.), Data Mining: Practical Machine Learning Tools and Techniques, Elsevier, Fourth Edition

        dopunska literatura
        • 1. Ian H. Witten, Eibe Frank: Data Mining: Practical Machine Learning Tools and Techniques, 2nd edition, The Morgan Kaufmann, 2005.

        • 2. Christopher M. Bishop, Pattern recognition and Machine learning, Springer, 2006

        jezik poduke
        Hrvatski
        način praćenja kvalitete i uspješnosti izvedbe svakog predmeta i/ili modula

        Mišljenja studenata o kvaliteti nastave putem anketa. Nastavnici koji podučavaju
        srodne predmete surađuju i zajednički vode brigu o kvaliteti nastave. Povremeno
        promatranje i evaluacija nastave od strane predstojnika odsjeka/ šefa katedre, itd.

        ispit (način polaganja, ispitni rokovi)

        Tijekom semestra održat će dva međuispita (kolokvija), nakon čega slijede završni i popravni ispit. Prvi kolokvij je nakon 7. tjedna nastave i obuhvaća prvu polovicu gradiva. Drugi kolokvij bit će održan nakon 13. tjedana nastave i obuhvatit će drugu polovicu gradiva. Na završnom i popravnom ispitu studenti polažu dijelove gradiva koje nisu položili na prethodnim kolokvijima/ispitima.
        Uvjet za pozitivnu ocjenu jest 50% bodova na oba kolokvija, ili na ispitu i pozitivna ocjena iz laboratorijskih vježbi.
        Uvjet za pozitivnu ocjenu iz laboratorijskih vježbi jest prisustvo i aktivan rad na svim vježbama i predani te pozitivno ocijenjeni svi izvještaji s laboratorijskih vježbi.

        Ocjena(%)= 0,6*bodovi na ispitu (ili kolokvijima)
        + 0.2*bodovi na laboratorijskim vježbama
        + 0.2 (0.1) * bodovi ostvareni za seminar (NAPOMENA: postotak bodova
        ovisi o zahtjevnosti teme seminara)
        + 0.1*dodatni bodovi za prisustvo na nastavi (više od 70% prisustva)

        Konačna se ocjena utvrđuje na sljedeći način:
        Postotak Ocjena
        50% do 61,9% dovoljan (2)
        62% do 74,9% dobar (3)
        75% do 87,9% vrlo dobar (4)
        88% do 100% izvrstan (5)

          Nastavne jedinice za Predavanja Broj sati
        1.

        Temeljni principi, područja primjene, definicije i pregled metoda strojnog učenja. Nadzirano i nenadzirano učenje.

        2 sata
        2.

        Prezentacija i strukturiranje podataka: skupovi podataka, atributi (značajke) kojima opisujemo podatke, ciljni atribut, primjeri za učenje, validaciju i testiranje algoritama strojnog učenja. Preprocesiranje (priprema) podataka.

        2 sata
        3.

        Algoritam: Naivni Bayes - NB

        2 sata
        4.

        Algoritam: Stablo odluke

        2 sata
        5.

        Evaluacijske mjere za procjenu efikasnosti pojedinih klasifikacijskih algoritama

        2 sata
        6.

        Linearna regresija

        2 sata
        7.

        Logistička regresija

        2 sata
        8.

        Osnove neuronskih mreža

        2 sata
        9.

        Konvolucijske neuronske mreža

        2 sata
        10.

        Treniranje i optimizacija neuronskih mreža

        2 sata
        11.

        Stroj s potpornim vektorima (SVM)

        2 sata
        12.

        Metode nenadziranog učenja, redukcija dimenzionalnosti

        2 sata
        13.

        Detekcija anomalije, primjena složenih neuronskih mreža, implementacija algoritama strojnog učenja na hardveru

        2 sata
          Nastavne jedinice za Laboratorijske vježbe Broj sati
        1.

        Klasificiranje skupova podataka s NB (naivni Bayes) klasifikatorom

        3 sata
        2.

        Klasificiranje skupova podataka sa Stablom odluke

        3 sata
        3.

        Evaluacijske mjere za ocjenu kvalitete klasifikacijskih algoritama

        3 sata
        4.

        Linearna regresija

        3 sata
        5.

        Logistička regresija

        3 sata
        6.

        Osnove neuronskih mreža

        3 sata
        7.

        Konvolucijske neuronske mreže, prepoznavanje karaktera

        3 sata
        8.

        Metoda potpornih vektora (SVM)

        3 sata
        9.

        Algoritam za grupiranje (klasteriranje) podataka

        3 sata
        10.

        Primjena neuronskih mreža u analizi vremenski ovisnih signala, implementacija na hardveru

        3 sata
        Niste više prijavljeni

        Istekla vam je prethodna prijava te se morate ponovno prijaviti.

        Nastao je problem u radu sustava

        Informacije o problemu smo pohranili i nastojat ćemo ga riješiti. Ako vas ova greška sprječava da obavite nešto važno, možete nas odmah kontaktirati na helpdesk@fesb.hr.

        Vaš preglednik nije podržan

        Koristite web preglednik koji nije podržan. Za puno korisničko iskustvo, preuzmite najnoviju inačicu vašeg preglednika.