Mašinsko učenje

Upoznavanje sa osnovnim modelima i algoritmima mašinskog učenja, ključnim elementima njihovog dizajna i tehnikama evaluacije.

Po završetku kursa, student je upoznat sa osnovnim postojećim tehnikama mašinskog učenja, isprobao ih je u praksi, zna u kakvim okolnostima koju treba primeniti, razume kako odluke donesene u procesu dizajna algoritma utiču na ponašanje algoritma i ume da proceni kvalitet dobijenih modela.

Teorijska nastava

– Osnove statističke teorije učenja.

– Osnovni elementi dizajna algoritama učenja – model, funkcija greške, regularizacija, optimizacioni metod.

– Probabilistički modeli (linearna regresija, logistička regresija, multinomijalna logistička regresija, uopšteni linearni modeli, naivni Bajesov algoritam, i drugo).

– Modeli zasnovani na širokom pojasu (metod potpornih vektora za klasifikaciju i regresiju, algoritam k najbližih suseda sa širokim pojasom i drugo)

– Modeli zasnovani na instancama (neparametarska ocena gustine raspodele, kerneli, metod Nadaraja-Votson, kernelizovani metod potpornih vektora, k najbližih suseda i drugo)

– Ansambli (slučajne šume, AdaBoost, gradijentno pojačavanje).

– Neuronske mreže i duboko učenje (potpuno povezane neuronske mreže, konvolutivne neuronske mreže, rekurentne neuronske mreže)

– Klasterovanje (k sredina, maksimizacija očekivanja i drugo). – Učenje reprezentacije podataka (autoenkoderi).

– Generativni modeli (generativne suparničke mreže)

– Učenje potkrepljivanjem

– Evaluacija i izbor modela

– Regularizacija

– Metode optimizacije

Praktična nastava

Uvežbavanje implemetiranja i korišćenja tehnika mašinskog učenja na različitim kolekcijama podataka i alatima.