Uključene obrazovne institucije
Elektrotehnički fakultet / Fakultet organizacionih nauka, Univerzitet u Beogradu
Oblast
Upoznavanje sa modelima za predviđanje kada podaci nisu nezavisni, već se može eksploatisati struktura, ili se predviđati kompleksni izlazi. Razumevanje potreba za ovakvim modelima i načina funkcionisanja algoritama. Razumevanje razlika između algoritama, kao i načina za evaluaciju ovakvim modela. Istraživanje oblasti gde su takvi modeli potrebni, poput analize teksta, vremenskih serija, prostorno- vremenskih podataka, društvenih mreža, bioinformatike, anlize slika, itd.
Studenti su sposobni da prepoznaju probleme u kojima je moguće eksploatisati postojeću strukturu u podacima, kako bi se poboljšali modeli za predviđanje. Studenti su sposobni da izaberu adekvatne modele, nauče ih iz podataka i evaluiraju njihov kvalitet. Studenti mogu da eksperimentalno pokažu unapređenje koje ovakvi modeli donose u odnosu na tradicionalne modele mašinskog učenja. Takođe, mogu da diskutuju o nedostacima metoda, i da predlažu unapređenja.
– Nestrukturni (tradicionalni) modeli za predviđanje
– Probabilistički grafovski modeli (PGM) i Bajesovo rezonovanje
– Skriveni markovljevi modeli (HMM) i primene
– Linearna Uslovna slučajna polja (CRF)i primene
– Otkrivanje strukture u probabilističkim modelima
– Nelinearna redukcija dimenzionalnosti
– Ugneždene reprezentacije (Embedding) podataka sa strukturom, i primene
– Gausova uslovna slučajna polja (GCRF)
