Strojno učenje 2

Opis predmeta

Strojno učenje grana je umjetne inteligencije koja se bave oblikovanjem algoritama koji svoju učinkovitost poboljšavaju na temelju empirijskih podataka. Dosege strojnog učenja izučava teorija računalnog učenja. Predmet se bavi osnovnim metodama teorije računalnog učenja s primjenom na osnovne klasifikacijske i regresijske algoritme. U drugom dijelu predmeta proučavaju se napredni koncepti strojnog učenja: bayesovsko strojno učenje, rijetki jezgreni strojevi i polunadzirano strojno učenje.

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
Izborni predmeti (3. semestar)
Izborni predmeti (3. semestar)
Izborni predmeti profila (3. semestar)
Izborni predmeti (3. semestar)
Izborni predmeti (3. semestar)
Izborni predmeti (3. semestar)
Izborni predmeti (3. semestar)
Izborni predmeti (3. semestar)
Izborni predmeti profila (3. semestar)
Izborni predmeti (3. semestar)
Izborni predmeti (3. semestar)
Izborni predmet profila (3. semestar)
Izborni predmeti (3. semestar)
Izborni predmeti (3. semestar)
Izborni predmeti (3. semestar)
Izborni predmeti profila (3. semestar)
Izborni predmeti (3. semestar)
Izborni predmeti (3. semestar)
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
R1 Engleski jezik
R1 E-učenje
30 Predavanja
0 Seminar
15 Auditorne vježbe
15 Laboratorijske vježbe
0 Konstrukcijske vježbe