Machine Learning 1

Prijava

HrvatskihrEnglishen

Pristupačnost

Veličina slova:A A

Izgled stranice Uobičajen izgled Jednostavni izgled stranice

Kontrast stranice: Normalno Visoki kontrast Inverzni visoki kontrast

Očisti sve

Machine Learning 1

Opis predmeta

Strojno učenje grana je umjetne inteligencije koja se bave oblikovanjem algoritama koji svoju učinkovitost poboljšavaju na temelju empirijskih podataka. Strojno učenje jedno je od danas najaktivnijih i najuzbudljivijih područja računarske znanosti, ponajviše zbog brojnih mogućnosti primjene koje se protežu od raspoznavanja uzoraka i dubinske analize podataka do robotike, računalnog vida, bioinformatike i računalne lingvistike. Ovaj se kolegij bavi teorijom i načelima strojnog učenja te daje pregled njegovih primjena. Kolegij obuhvaća dva osnovna pristupa strojnom učenju: nadzirano učenje (klasifikacija i regresija) i nenadzirano učenje (grupiranje i smanjenje dimenzionalnosti).

Ishodi učenja

Definirati osnovne pojmove strojnog učenja
Razlikovati između generativnih i diskriminativnih, parametarskih i neparametarskih te probabilističkih i neprobabilističkih modela
Objasniti teorijske pretpostavke, prednosti i nedostatke temeljnih algoritama strojnog učenja
Primijeniti postupak odabira modela i statističkog vrednovanja uspješnosti naučenog modela
Primijeniti razne algoritme klasifikacije, uključivo generativne, diskriminativne i neparametarske
Primijeniti algoritme grupiranja podataka i postupke provjere grupiranja
Dizajnirati i implementirati postupak za klasifikaciju/grupiranje podataka te provesti njegovu evaluaciju
Procijeniti prikladnost nekog algoritma strojnog učenja za zadani zadatak

Oblici nastave

Predavanja

Predavanja se odvijaju kroz 13 tjedana s po dva termina od dva školska sata tjedno.

Auditorne vježbe

Auditorne vježbe odvijaju se kroz 13 tjedna po potrebi.

Laboratorij

Programski zadatci koje studenti rješavaju samostalno te demonstriraju nastavniku odnosno asistentu.

Način ocjenjivanja

	Kontinuirana nastava		Ispitni rok
Vrsta provjere	Prag	Udio u ocjeni	Prag	Udio u ocjeni
Laboratorijske vježbe	30 %	30 %	0 %	30 %
Sudjelovanje u nastavi	0 %	5 %	0 %	0 %
Međuispit: Pismeni	35 %	0 %	0 %
Završni ispit: Pismeni	35 %	0 %
Ispit: Pismeni			0 %	35 %
Ispit: Usmeni				35 %

Tjedni plan nastave

Zadatci i primjene strojnog učenja. Prisutpi i paradigme strojnog učenja, hipoteze, model prostor parametra, prostor inačica, induktivno učenje i induktivna pristranost. Pristranost jezika i pristranost preferencije. Funkcija gubitka i funkcija pogreške. Prenaučenost i odabir morela. Minimizacija empirijskog i strukturnog rizika
Regresija najmanjih kvadrata. procjena najveće izlgednosti za regresiju, Regularizirana regresija, Model maksimalne entropije, Funkcije za preslikavanje značajki
Hipoteze, model. prostor parametra. prostor inačica. Perceptron (paradigme učenja, hebbovsko učenje, natjecateljsko učenje, Boltzmannovo učenje)
Logistička regresija, poopćeni linerani modeli (eksponencijalna familija, procjenitelji ML i MAP)
Metoda potpornih vektora za klasifikaciju.
Lijeni klasifikatori (k-NN). Jezgrene funkcije (RBF, Mercerova jezgrena funkcija, linearna jezgrena funkcija). Jezgreni trik.
Zajednice klasifikatora.
Međuispit
Procjenitelj najveće izglednosti, Procjenitelj najveće aposteriorne vjerojatnosti. Laplaceov procjenitelj, Beta-binomni model, Dirichlet-multinomni model
Bajesovo pravilo za klasifikaciju, Naivan Bayesov klasifikator, Multivarijatni gaussovski Bayesov model
Bayesove mreže. Monte Carlo zaključivanje.
Gaussov mješavinski model za grupiranje, Algoritam k-srednjih vrijednosti
Mjere vrednovanja zasnovane na matrici zabune (točnost, preciznost, odaziv, osjetljivost, F-mjera).
(en) Feature selection (filter methods, subset selection, wrapper method)
Završni ispit