Osnovna znanja iz matematike i računalnog programiranja
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. Mehryar Mohri, Afshin Rostamizadeh, and Ameet Talwalkar (2012), Foundations of Machine Learning, The MIT Press, Cambridge, Massachusetts
2. Mitchell, Tom (1997), Machine Learning, New York, NY: McGraw-Hill, 1997.
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.
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.
