Machine Learning 1

Ishodi učenja

  1. Definirati osnovne pojmove strojnog učenja
  2. Razlikovati između generativnih i diskriminativnih, parametarskih i neparametarskih te probabilističkih i neprobabilističkih modela
  3. Objasniti teorijske pretpostavke, prednosti i nedostatke temeljnih algoritama strojnog učenja
  4. Primijeniti postupak odabira modela i statističkog vrednovanja uspješnosti naučenog modela
  5. Primijeniti razne algoritme klasifikacije, uključivo generativne, diskriminativne i neparametarske
  6. Primijeniti algoritme grupiranja podataka i postupke provjere grupiranja
  7. Dizajnirati i implementirati postupak za klasifikaciju/grupiranje podataka te provesti njegovu evaluaciju
  8. 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

  1. 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
  2. Regresija najmanjih kvadrata. procjena najveće izlgednosti za regresiju, Regularizirana regresija, Model maksimalne entropije, Funkcije za preslikavanje značajki
  3. Hipoteze, model. prostor parametra. prostor inačica. Perceptron (paradigme učenja, hebbovsko učenje, natjecateljsko učenje, Boltzmannovo učenje)
  4. Logistička regresija, poopćeni linerani modeli (eksponencijalna familija, procjenitelji ML i MAP)
  5. Metoda potpornih vektora za klasifikaciju.
  6. Lijeni klasifikatori (k-NN). Jezgrene funkcije (RBF, Mercerova jezgrena funkcija, linearna jezgrena funkcija). Jezgreni trik.
  7. Zajednice klasifikatora.
  8. Međuispit
  9. Procjenitelj najveće izglednosti, Procjenitelj najveće aposteriorne vjerojatnosti. Laplaceov procjenitelj, Beta-binomni model, Dirichlet-multinomni model
  10. Bajesovo pravilo za klasifikaciju, Naivan Bayesov klasifikator, Multivarijatni gaussovski Bayesov model
  11. Bayesove mreže. Monte Carlo zaključivanje.
  12. Gaussov mješavinski model za grupiranje, Algoritam k-srednjih vrijednosti
  13. Mjere vrednovanja zasnovane na matrici zabune (točnost, preciznost, odaziv, osjetljivost, F-mjera).
  14. (en) Feature selection (filter methods, subset selection, wrapper method)
  15. Završni ispit

Studijski programi

Sveučilišni diplomski
Control Systems and Robotics (profil)
(1. semestar)
Data Science (profil)
(1. semestar)

Literatura

Ethem Alpaydin (2020.), Introduction to Machine Learning, MIT Press
Christopher M. Bishop (2007.), Pattern Recognition and Machine Learning, Springer
Kevin P. Murphy (2012.), Machine Learning, MIT Press

Za studente

Izvedba

ID 223767
  Zimski semestar
5 ECTS
R3 Engleski jezik
R1 E-učenje
45 Predavanja
15 Auditorne vježbe
15 Laboratorijske vježbe

Ocjenjivanje

izvrstan
vrlo dobar
dobar
dovoljan