Automati sa svojstvom učenja
Prikazani su podaci za akademsku godinu: 2023./2024.
Nositelji
Opis predmeta
Osnovne postavke i definicije strojnog učenja. Norme ponašanja učenih automata. Matematički modeli neurona i neuronskih mreža, klasifikacija učećih algoritama. Analiza klastera, reprezentacija znanja, kompresija i prikaz iz nekompletnih podataka. Osnove asocijativnog memoriranja informacije. Metode za obradu vremenski zavisnih uzoraka. Algoritmi učenja: Back-propagation s proširenjima, Kaskadna korelacija i Kohonen algoritam, Konvolucijske mreže, Duboko učenje, Ekstrakcija svojstava natjecateljskim učenjem. WTA (Winner Take All) metoda. Učenje u interakciji sa okolinom - on line učenja, algoritam Sarsa i Q-učenje, Markovljevi modeli. Inteligentni agenti i samoadaptivno upravljanje komunikacijskim uslugama.
Studijski programi
Sveučilišni diplomski
Izborni predmeti (1. semestar) (3. semestar)[FER3-HR] Automatika i robotika - profil
Izborni predmeti
(1. semestar)
(3. semestar)
[FER3-HR] Elektroenergetika - profil
Izborni predmeti
(1. semestar)
(3. semestar)
Izborni predmeti
(1. semestar)
(3. semestar)
[FER3-HR] Elektronika - profil
Izborni predmeti
(1. semestar)
(3. 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)
[FER3-HR] Računalno inženjerstvo - profil
Izborni predmeti
(1. semestar)
(3. semestar)
Izborni predmeti
(1. semestar)
(3. semestar)
[FER3-HR] Računarska znanost - profil
Izborni predmeti
(1. semestar)
(3. semestar)
[FER3-HR] Znanost o mrežama - profil
Izborni predmeti
(1. semestar)
(3. semestar)
Izborni predmeti profila
(1. semestar)
(3. semestar)
[FER3-HR] Znanost o podacima - profil
Izborni predmeti
(1. semestar)
(3. semestar)
[FER2-HR] Telekomunikacije i informatika - profil
Predmeti specijalizacije profila
(1. semestar)
(3. semestar)
Ishodi učenja
- definirati pojam, metode i arhitekture karakteristične za strojna učenja
- objasniti način rada strojnog učenja i osnovnu namjenu
- primijeniti znanje o strojnom učenju u području komunikacijskih usluga
- analizirati funkcije strojno učenih komponenti i njihovo međudjelovanje u cilju odabira prikladnog rješenja
- analizirati arhitekturu i rezultate dobivene od strojno učenih modela
- oblikovati modele za strojno učenje koje uključuju različite oblike prepoznavanja i samoadaptacije
- evaluirati i ocijeniti rješenja dobivena različitim metodama strojnog učenja
Oblici nastave
Predavanja
Samostalni zadaci
Laboratorij
Samostalni zadaci
Laboratorij
Način ocjenjivanja
Kontinuirana nastava | Ispitni rok | |||||
---|---|---|---|---|---|---|
Vrsta provjere | Prag | Udio u ocjeni | Prag | Udio u ocjeni | ||
Laboratorijske vježbe | 0 % | 20 % | 0 % | 0 % | ||
Domaće zadaće | 0 % | 10 % | 0 % | 0 % | ||
Sudjelovanje u nastavi | 0 % | 10 % | 0 % | 0 % | ||
2. Međuispit: Pismeni | 0 % | 20 % | 0 % | |||
Završni ispit: Pismeni | 0 % | 20 % | ||||
Završni ispit: Usmeni | 20 % | |||||
Ispit: Pismeni | 40 % | 0 % | ||||
Ispit: Usmeni | 30 % |
Tjedni plan nastave
- Perceptron (paradigme učenja, hebbovsko učenje, natjecateljsko učenje, Boltzmannovo učenje)
- Višeslojan perceptron (propagiranje pogreške unazad, problem dodjele nagrade, propagiranje pogreške unazad kroz vrijeme)
- Višeslojan perceptron (propagiranje pogreške unazad, problem dodjele nagrade, propagiranje pogreške unazad kroz vrijeme)
- Mreže radijalnih baznih funkcija (rješavanje problema interpolacije pomoću mreža radijalnih bazni funkcija, mreže poopćenih radijalnih baznih funkcija, odnos naspram teorije regularizacije)
- Samoorganizirajuće mreže (hebbovsko nendzirano učenje, Ojaovo pravilo učenja, PCA pomoću samoorganizirajućih mreža, Sangerovo pravilo učenja, natjecateljsko nenadzirano učenje, mreže pobjednik-uzima-sve, Kohonenove samoorganizirajuće mape)
- Povratne neuronske mreže (Hopfieldova mreža, Boltzmannov stroj, Elmanova mreža, Jordanova mreža) i algoritmi učenja (propagacija pogreške unazad kroz vrijeme, povratna propagacija unazad)
- Dinamičko učenje
- Međuispit
- Dinamičko učenje
- Duboke konvolucijske mreže: slojevi. arhitekture. vizualizacija. fina prilagodba. aplikacije. izvedbeni detalji
- Duboke konvolucijske mreže: slojevi. arhitekture. vizualizacija. fina prilagodba. aplikacije. izvedbeni detalji
- Stabla odluke
- Algoritam k-srednjih vrijednosti
- Algoritam k najbližih susjeda, Max-min grupiranje
- Završni ispit
Literatura
(.), Neural Networks and Learning Machines, Simon Haykin, Prentice Hall, c2009, New York,
(.), Parallel Distributed Processing: Explorations in the Microstructure of Cognition David E. Rumelhart MIT Press 1987.,
(.), Reinforcement Learning:An Introduction Richard S. Sutton, Andrew G. Barto MIT Press, Cambridge 1998.,
Za studente
Izvedba
ID 222473
Zimski semestar
5 ECTS
R1 Engleski jezik
R1 E-učenje
30 Predavanja
0 Seminar
0 Auditorne vježbe
15 Laboratorijske vježbe
0 Konstrukcijske vježbe
Ocjenjivanje
85 izvrstan
70 vrlo dobar
60 dobar
50 dovoljan