Strojno učenje 2

Prikazani su podaci za akademsku godinu: 2023./2024.

Nositelji

Prof. dr. sc.
Jan Šnajder

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.

Studijski programi

Sveučilišni diplomski
[FER3-HR] Audiotehnologije i elektroakustika - profil
Izborni predmeti (3. semestar)
[FER3-HR] Automatika i robotika - profil
Izborni predmeti (3. semestar)
Izborni predmeti profila (3. semestar)
[FER3-HR] Elektroenergetika - profil
Izborni predmeti (3. semestar)
[FER3-HR] Elektroničko i računalno inženjerstvo - profil
Izborni predmeti (3. semestar)
[FER3-HR] Elektronika - profil
Izborni predmeti (3. semestar)
[FER3-HR] Elektrostrojarstvo i automatizacija - profil
Izborni predmeti (3. semestar)
[FER3-HR] Informacijsko i komunikacijsko inženjerstvo - profil
Izborni predmeti (3. semestar)
Izborni predmeti profila (3. semestar)
[FER3-HR] Komunikacijske i svemirske tehnologije - profil
Izborni predmeti (3. semestar)
[FER3-HR] Programsko inženjerstvo i informacijski sustavi - profil
Izborni predmeti (3. semestar)
Izborni predmet profila (3. semestar)
[FER3-HR] Računalno inženjerstvo - profil
Izborni predmeti (3. semestar)
[FER3-HR] Računalno modeliranje u inženjerstvu - profil
Izborni predmeti (3. semestar)
[FER3-HR] Računarska znanost - profil
Izborni predmeti (3. semestar)
Izborni predmeti profila (3. semestar)
[FER3-HR] Znanost o mrežama - profil
Izborni predmeti (3. semestar)
[FER3-HR] Znanost o podacima - profil
Izborni predmeti (3. semestar)
Izborni predmeti profila (3. semestar)

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
  8. Međuispit
  9. Beta-binomni model, Dirichlet-multinomni model
  10. Regularizirana regresija, Bayesovska linearna regresija, Bayesovska logistička regresija
  11. Rijetki linearni modeli (lasso. koordinirani spust. LAS. skupni lasso. proksimalne metode i metode gradijentne projekcije. elastična mreža)
  12. (en) Monte Carlo inference (rejection sampling, importance sampling)
  13. (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
  14. (en) Bayesian ensambles (Bayesian parameter averaging, Bayesian model combination)
  15. Završni ispit

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
0 Seminar
15 Auditorne vježbe
15 Laboratorijske vježbe
0 Konstrukcijske vježbe
0 Vježbe tjelesnog odgoja

Ocjenjivanje

izvrstan
vrlo dobar
dobar
dovoljan