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

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

Auditorne vježbe odvijaju se kroz 13 tjedna po potrebi.

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

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