Strojno učenje
Opis predmeta
Opće kompetencije
Upoznatost s metodama nadziranog i nenadziranog strojnog učenja te zadatcima klasifikacije i regresije. Razumijevanje generativnih, diskriminativnih, parametarskih i neparametarskih modela. Razumijevanje teorijskih osnova ovih modela, ugrađenih pretpostavki, njihovih prednosti i nedostataka. Sposobnost oblikovanja i implementacije sustava za klasifikaciju, regresiju ili grupiranje te provođenja vrednovanja takvog sustava.
Ishodi učenja
- definirati osnovne pojmove strojnog učenja
- razlikovati između generativnih i diskriminativnih, parametarskih i neparametarskih te probabilističkih i neprobabilističkih modela
- objasniti teorijske pretpostavke, prednosti i nedostatke temeljnih algoritama strojnog učenja
- primijeniti postupak odabira modela i statističkog vrednovanja uspješnosti naučenog modela
- primijeniti razne algoritme klasifikacije, uključivo generativne, diskriminativne i neparametarske
- primijeniti algoritme grupiranja podataka i postupke provjere grupiranja
- dizajnirati i implementirati postupak za klasifikaciju/grupiranje podataka te provesti njegovu evaluaciju
- procijeniti prikladnost nekog algoritma strojnog učenja za zadani zadatak
Oblici nastave
Predavanja se odvijaju kroz 13 tjedana s po dva termina od dva školska sata tjedno.
Provjere znanjaMeđuspit i završni ispit.
Auditorne vježbeAuditorne vježbe odvijaju se kroz 13 tjedna po potrebi.
KonzultacijeTjedne konzultacije.
Programske vježbeProgramski zadatci koje studenti rješavaju samostalno te demonstriraju nastavniku odnosno asistentu.
OstaloTjedne domaće zadaće. Zadaće se ne pregledavaju i ne ocjenjuju; rješenja se demonstriraju i raspravljaju na auditornim vježbama.
Način ocjenjivanja
Kontinuirana nastava | Ispitni rok | |||||
---|---|---|---|---|---|---|
Vrsta provjere | Prag | Udio u ocjeni | Prag | Udio u ocjeni | ||
Laboratorijske vježbe | 30 % | 30 % | 0 % | 30 % | ||
Sudjelovanje u nastavi | 0 % | 5 % | 0 % | 0 % | ||
Međuispit: Pismeni | 0 % | 35 % | 0 % | |||
Završni ispit: Pismeni | 0 % | 35 % | ||||
Ispit: Pismeni | 0 % | 35 % | ||||
Ispit: Usmeni | 35 % |
Napomena / komentar
Sudjelovanje u nastavi boduje se s 5% dodatnih bodova (bonus iznad 100%). Ispit na ispitnom roku provodi se u pismenom i usmenom obliku koji zajedno nose 70% bodova. Studenti na pismenom ispitu moraju zadovoljiti prag od 50% da bi mogli pristupiti usmenom ispitu.
Tjedni plan nastave
- Uvod u strojno učenje i motivacija. Pristupi strojnom učenju. Programski alati. Nadzirano učenje.
- VC-dimenzija. Induktivna pristranost. Generalizacija, pretreniranost i podtreniranost. Odabir modela.
- Procjena gustoće vjerojatnosti. Funkcija izglednosti. Procjenitelji. Procjenitelj najveće izglednost. Procjenitelj MAP.
- Probabilistički generativni modeli. Naivan Bayesov klasifikator. Polunaivan Bayesov klasifikator. Zaglađivanje.
- Regresija. Postupak najmanjih kvadrata. Poopćeni linearan model regresije. Regularizirana regresija.
- Linearni diskriminativni modeli. Geometrija linearnog modela. Perceptron. Višeklasna klasifikacija.
- Logistička regresija. Regularizacija. Model MaxEnt.
- Međuispit.
- Stroj potpornih vektora. Jezgrene funkcije. SVM regresija.
- Neparametarski postupci. Algoritam k-najbližih susjeda. Stabla odluke. Neparametarska regresija. Ansambli klasifikatora.
- Vrednovanje klasifikatora. Mjere vrednovanja. Unakrsna provjera. Statističko testiranje.
- Odabir značajki. Grupiranje podataka. Algoritam k-srednjih vrijednosti.
- Gausova mješavina. Algoritam maksimizacije očekivanja. Grupiranje temeljeno na gustoći. Hijerarhijsko grupiranje. Provjera grupiranja.
- Dodatna tema / pozvano predavanje. Sažetak.
- Završni ispit.