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
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
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.
