Anketa

Na ovoj stranici trenutno nije odabrana niti jedna anketa!

Repozitorij

Repozitorij je prazan

Strojno učenje

Šifra: 61529
ECTS: 5.0
Nositelji: dr. sc. Tomislav Šmuc - Predavanja
Izvođači: dr. sc. Tomislav Lipić - Auditorne vježbe
Engleski jezik:

1,0,0

Nastava se odvija na hrvatskom jeziku u svim svojim elementima, a stranim studentima koji su pridruženi mješovitoj grupi nudi se mogućnost savladavanja predmeta pomoću dodatnih izravnih konzultacija s nastavnikom i asistentima na engleskom jeziku. Pri tome, nastavnik stranog studenta upućuje na odgovarajuću literaturu na engleskom jeziku te mu osigurava mogućnost polaganja predmeta na engleskom jeziku.
Opterećenje:

1. komponenta

Vrsta nastaveUkupno
Predavanja 30
Auditorne vježbe 15
* Opterećenje je izraženo u školskim satima (1 školski sat = 45 minuta)
Opis predmeta:
CILJ KOLEGIJA: Oblikovanje programskog sustava za rješavanje problema klasifikacije i regresije koji automatski uči kroz iskustvo, na temelju podataka.

NASTAVNI SADRŽAJI:
Uvod u strojno učenje. Rješavanje problema klasifikacije i predviđanja računarskim sustavima koji se temelje na učenju, nasuprot sustavima koji se temelje na konvencionalnom eksplicitnom programiranju. Učenje hipoteza. Generalizacija. Vrste učenja: nadzirano, nenadzirano i podržano.
Perceptron. Učenje perceptrona. Delta pravilo. Linearna regresija i metoda najmanjih kvadrata. Optimizacija gradijentnim spustom. Jezgreni perceptron.
Neuronske mreže. Višeslojni perceprton. Učenje neuronske mreže. Algoritam rasprostiranja pogreške prema natrag. Regresija i klasifikacija.
Klasifikacija. Fisherova linearna diskriminantna funkcija. Logistička regresija. Metoda potpornih vektora. Zajednica metoda. Primjena u bioinformatici. Primjena u automatskoj klasifikaciji tekstualnih dokumenata.
Tehnike neparametarskog učenja. Metoda k najbližih susjeda. Stabla odluke.
Bayesovo učenje. MAP i ML hipoteze. MDL princip. Bayesov optimalni i naivni klasifikator. EM-algoritam.
Nenadzirano učenje i dubinska analiza podataka. Grupiranje podataka. Metoda k srednjih vrijednosti. Hijerarhijsko grupiranje. Redukcija dimenzionalnosti. Metoda glavnih komponenata.
Teorija statističkog učenja. PAC učenje. Vapnik - Chervonenkis dimenzija.
Literatura:
  1. T. Hastie, R. Tibshirani, J. H. Friedman: The Elements of Statistical learning
  2. T. M. Mitchell: Machine Learning
  3. V. Vapnik: The Nature of Statistical Learning Theory
  4. N. Cristianini, J. Shawe - Taylor: An Introduction to Support Vector Machines
3. semestar
Izborni predmet 3, 4, 5, 6 - Redovni Studij - Računarstvo i matematika

4. semestar
Izborni predmet 3, 4, 5, 6 - Redovni Studij - Računarstvo i matematika
Termini konzultacija:

SADRŽAJ

Link na stranicu kolegija: https://web.math.pmf.unizg.hr/nastava/su/


Obavijesti