Prijava

English Web

FESB NASTAVA

Nastava

Diplomski

250 Računarstvo

2. 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

Podržano strojno učenje

(FELK45)

2024/25 godina

preduvjeti za upis

nema

ciljevi predmeta

Osposobljavanje studenata za:
• Razumijevanje pojmova vezanih uz podržano strojno učenje
• Razumijevanje pojmova vezanih uz statističko učenje
• Razumijevanje Markovljevog procesa odlučivanja
• Razumijevanje dinamičkog programiranja
• Razumijevanje koncepta neuronske mreže i primjenu na praktične probleme
• Razumijevanje aproksimativnog dinamičkog programiranja
• Uspostava veze između dinamičkog programiranja i podržanog strojnog učenja
• Primjena podržanog strojnog učenja na praktične probleme

očekivani ishodi učenja

Studenti će nakon uspješno savladanog predmeta moći:
1. Definirati vrste strojnog učenja, poznavati probleme na koje se primjenjuju razne metode strojnog učenja
2. Definirati Markovljev proces odlučivanja te primijeniti isti za opis statističkih procesa
3. Matematički opisati dinamičko programiranje i primijeniti isto na probleme optimizacije
4. Primijeniti matematičke metode za razumijevanje i primjenu podržanog strojnog učenja
5. Primijeniti podržano strojno učenje na probleme optimalnog odlučivanja

nositelji predmeta

Perković Toni, Vasilj Josip

nastava i predavači

Predavanja

30 sati

0 sati tjedno × 0 tjedana

Laboratorijske vježbe

30 sati

0 sati tjedno × 0 tjedana

sadržaj

Uvod u strojno učenje – osnovni pojmovi i definicije, povijesni pregled, trendovi, primjeri
Statističko učenje – matematička podloga strojnog učenja, osnovni matematički koncepti potrebni za razumijevanje strojnog učenja
Neuronske mreže – Koncept i matematički model, primjeri i primjena
Markovljev proces odlučivanja
Dinamičko programiranje i aproksimativne inačice
Predikcija i upravljanje bez modela
Podržano strojno učenje

preporučena literatura

J. Vasilj: Podržano strojno učenje, skripta + predavanja + dodatni materijali
J. Vasilj: Podržano strojno učenje - upute za laboratorijske vježbe
Šnajder, J., Bašić Dalbelo, B.: Strojno učenje, Skripta, FER Zagreb, 2014.

dopunska literatura

- R.S. Sutton: Reinforcement learning: An Introduction, 2018
- A.C. Muller, S. Guido: Introduction to machine learning with Python, O'Reilly, 2016
- A. Geron: Hands-on Machine learning with Scikit-Learn and TensorFlow, O'Reilly, 2017.
- G. James: An introduction to statistical learning

jezik poduke

prazno

način praćenja kvalitete i uspješnosti izvedbe svakog predmeta i/ili modula

prazno

ispit (način polaganja, ispitni rokovi)

Tijekom semestra bit će dva kolokvija koji pokrivaju predavanja. Prvi kolokvij je u osmom tjednu nastave, a drugi u zadnjem tjednu nastave. U sklopu kolegija studenti će dobiti na izradu seminarski rad koji će se valorizirati temeljem kvalitete rada i njegove prezentacije. Student može putem dva kolokvija i seminarskog rada položiti cjelokupan ispit. Na dva završna ispita u ožujku i veljači, studenti polažu dijelove gradiva koje nisu položili na kolokvijima. Ako na prvom završnom ispitu student položi jedan od dva dijela gradiva, taj dio gradiva student ne mora polagati na drugom završnom ispitu. Pod zasebnim dijelom gradiva se podrazumijeva gradivo pojedinog kolokvija.

Studenti koji nisu položili kolegij nakon dva završna ispita, ispit mogu položiti na tzv. popravnom ispitu u prvom dijelu jesenskog ispitnog roka. Zadnja prilika za polaganje ispita u ovoj školskoj godini je tzv. komisijski ispit koji će biti u drugom dijelu jesenskog ispitnog roka. Na popravnom i komisijskom ispitu svi studenti polažu cjelokupno gradivo, a uvjet za pozitivnu ocjenu je da student ima najmanje 50% bodova iz cjelokupnog gradiva, te pozitivno ocijenjen seminarski rad.

Uvjet za pozitivnu ocjenu je da student ima najmanje 50% bodova iz pojedinog dijela gradiva na kolokviju ili na završnim ispitima (odnosno 50% bodova iz cjelokupnog ispita na popravnom i komisijskom ispitu), te pozitivno ocijenjeni seminarski rad. Konačna se ocjena (u postocima) formira na temelju svih aktivnosti prema formuli:

Ocjena (%) = 0,35xG1+0,35xG2+0,3xS
Ocjena (%) = 0,7xG+0,3xS (za popravni i komisijski ispit)

gdje su aktivnosti izražene u postocima:
• G1, G2 - bodovi iz prvog i drugog kolokvija
• G - bodovi iz cjelokupnog gradiva na popravnom i komisijskom ispitu
• S – bodovi iz seminarskog rada

Konačna se ocjena utvrđuje na slijedeći način:
Postotak Ocjena
50 % do 6 1% dovoljan (2)
62 % do 74 % dobar (3)
75 % do 87 % vrlo dobar (4)
88 % do 100 % izvrstan (5)

Ispitni rokovi:
Prvi i drugi završni ispit: veljača/ožujak
Popravni i komisijski ispit: kolovoz/rujan

	Nastavne jedinice za Predavanja	Broj sati
1.	Uvod u strojno učenje – osnovni pojmovi i definicije, povijesni pregled, trendovi, primjeri“	2 sata
2.	Statističko učenje – matematička podloga strojnog učenja, osnovni matematički koncepti potrebni za razumijevanje strojnog učenja	2 sata
3.	Neuronske mreže – Koncept i matematički model, primjeri i primjena	2 sata
4.	Markovljev proces odlučivanja	4 sata
5.	Dinamičko programiranje i aproksimativne inačice	4 sata
6.	Predikcija i upravljanje bez modela	4 sata
7.	Podržano strojno učenje	8 sati

	Nastavne jedinice za Laboratorijske vježbe	Broj sati
1.	Uvod u python i biblioteke strojnog učenja	6 sati
2.	Neuronske mreže	4 sata
3.	Markovljeva stabla odlučivanja	4 sata
4.	Dinamičko programiranje	4 sata
5.	Diskretno podržano strojno učenje	4 sata
6.	Kontinuirano podržano strojno učenje	4 sata