1. komponenta

Vrsta nastave	Ukupno
Predavanja	30
Auditorne vježbe	15

* Opterećenje je izraženo u školskim satima (1 školski sat = 45 minuta)

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.

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

Izborni računarski predmet 1, 2 - Redovni Studij - Matematika i informatika; smjer: nastavnički

Izborni računarski predmet 1, 2 - Redovni Studij - Matematika i informatika; smjer: nastavnički