Strojno učenje 2

Ishodi učenja

  1. Definirati osnovne pojmove teorije računalnog učenja
  2. Objasniti radne okvire PAC i VC
  3. Primijeniti postupke teorije računalnog učenja na osnovne nadzirane algoritme strojnog učenja za klasifikaciju i regresiju
  4. Objasniti teorijske pretpostavke, prednosti i ograničenja bayesovskog strojnog učenja
  5. Definirati bayesovske inačice klasifikacijskih i regresijskih modela
  6. Objasniti teorijske pretpostavke, prednosti i ograničenja rijetkih jezgrenih strojeva
  7. Objasniti osnovne postupke polunadziranog strojnog učenja te nabrojati njihove prednosti i nedostatke

Oblici nastave

Predavanja

Auditorne vježbe

Samostalni zadaci

Laboratorij

Tjedni plan nastave

  1. Prisutpi i paradigme strojnog učenja
  2. Prenaučenost i odabir morela. minimizacija empirijskog i strukturnog rizika
  3. Vjerojatno približno točno učenje (PAC). U-naučljivost
  4. Vjerojatno približno točno učenje (PAC). U-naučljivost
  5. Vapnik-Chervonenkisova dimenzija
  6. Dinamičko učenje, Slabo učenje i boosting
  7. Međuispit
  8. Beta-binomni model, Dirichlet-multinomni model
  9. Regularizirana regresija, Bayesovska linearna regresija, Bayesovska logistička regresija
  10. Rijetki linearni modeli (lasso. koordinirani spust. LAS. skupni lasso. proksimalne metode i metode gradijentne projekcije. elastična mreža)
  11. (en) Monte Carlo inference (rejection sampling, importance sampling)
  12. (en) Markov Chain Monte Carlo sampling methods: Gibbs sampling and the Metropolis-Hastings algorithm, Mješavinski modeli, Algoritam maksimizacije očekivanje, Markovljevi i skriveni Markovljevi modeli, Uvjetna slučajna polja
  13. (en) Bayesian ensambles (Bayesian parameter averaging, Bayesian model combination)
  14. Završni ispit

Studijski programi

Sveučilišni diplomski
Audiotehnologije i elektroakustika (profil)
Slobodni izborni predmeti (3. semestar)
Automatika i robotika (profil)
Izborni predmeti profila (3. semestar)
Elektroenergetika (profil)
Slobodni izborni predmeti (3. semestar)
Elektroničko i računalno inženjerstvo (profil)
Slobodni izborni predmeti (3. semestar)
Elektronika (profil)
Slobodni izborni predmeti (3. semestar)
Elektrostrojarstvo i automatizacija (profil)
Slobodni izborni predmeti (3. semestar)
Informacijsko i komunikacijsko inženjerstvo (profil)
Izborni predmeti profila (3. semestar)
Komunikacijske i svemirske tehnologije (profil)
Slobodni izborni predmeti (3. semestar)
Programsko inženjerstvo i informacijski sustavi (profil)
Izborni predmet profila (3. semestar)
Računalno inženjerstvo (profil)
Slobodni izborni predmeti (3. semestar)
Računalno modeliranje u inženjerstvu (profil)
Slobodni izborni predmeti (3. semestar)
Računarska znanost (profil)
Izborni predmeti profila (3. semestar)
Znanost o mrežama (profil)
Slobodni izborni predmeti (3. semestar)
Znanost o podacima (profil)
Izborni predmeti profila (3. semestar)

Literatura

(.), Shai Ben-David, Shai Shalev-Shwartz: Understanding Machine Learning: From Theory to Algorithms. Cambridge University Press, 2014.,
(.), Bernhard Schölkopf: Learning with Kernels, The MIT Press, 2001.,
(.), Daphne Koller, Nir Friedman: Probabilistic Graphical Models: Principles and Techniques. The MIT Press, 2009.,

Za studente

Izvedba

ID 222787
  Zimski semestar
5 ECTS
R3 Engleski jezik
R1 E-učenje
30 Predavanja
15 Auditorne vježbe
15 Laboratorijske vježbe