Strojno učenje

Opis predmeta

Strojno učenje grana je umjetne inteligencije koja se bave oblikovanjem algoritama koji svoju učinkovitost poboljšavaju na temelju podataka. Ovaj se predmet bavi teorijskim osnovama i načelima strojnog učenja te daje pregled njegovih primjena u znanosti i industriji. Predmet obuhvaća dva osnovna pristupa strojnom učenju: nadzirano učenje (klasifikacija i regresija) i nenadzirano učenje (grupiranje i smanjenje dimenzionalnosti), te generativni i diskriminativni pristupi u okviru obaju pristupa. Opisuju se teorijske osnove strojnog učenja (hipoteza, model, odabir modela, pogreške, prenaučenost, generalizacija), a zatim se daje pregled osnovnih nadziranih i nenadziranih postupaka, s poveznicima prema teorijskim osnovama i odgovarajućim matematičkim temeljima iz teorije optimizacije, numeričke matematike, statistike, teorije vjerojatnosti i linearne algebre. Raspravljaju se prednosti i nedostatci svakog od modela, te se navode primjeri uspješne primjene iz industrijske prakse. Posebna tematska jedinica posvećena je ispitivanju modela i analizi pogrešaka. Predavanja su popraćena laboratorijskim vježbama u radnom okruženju Scikit-Learn na kojima polaznici stječu iskustvo primjene i ispitivanja modela na jednostavnijim podatcima. Preduvjet za praćenje kolegija je osnovno znanje iz teorije vjerojatnosti, linearne algebre i primijenjene statistike.

Studijski programi

Poslijediplomski specijalistički

Literatura

Ethem Alpaydin (2009.), Introduction to Machine Learning, MIT Press
Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani (2013.), An Introduction to Statistical Learning, Springer Science & Business Media
Stephen Marsland (2015.), Machine Learning, CRC Press
Kevin P. Murphy (2012.), Machine Learning, MIT Press

Izvedba

ID 209127
  Ljetni semestar
4 ECTS
R2 Engleski jezik