Akademija tehničko-umetničkih
strukovnih studija Beograd

Mašinsko učenje Šifra: 317208 | 8 ESPB

Opšte informacije
Nivo studija:
Godina studija: 1
Semestar/Trimestar: 1
Uslov: Poznavanje proramskog jezika Python (OBAVEZNO) i odabranih tema iz verovatnoće i statistike, kao i diskretne matematike.
Cilj: Upoznavanje studenata sa osnovnim teoretskim konceptima i praktičnim veštinama iz domena mašinskog učenja i obrade podataka.
Ishod: Studenti će po završetku kursa biti obučeni da koriste biblioteke za procesiranje podataka u okviru programskog jezika Python, formiraju vektore obeležja, primene metode njihove redukcije kao i algoritme za klasifikacijupodataka, klasterovanje i regresiju.
Sadržaj predmeta
Teorijska nastava:
  1. Pojam mašinskog učenja.
  2. Kreiranje vektora obeležja.
  3. Induktivno empirijsko učenje funkcionalnih preslikavanja.
  4. Obučavanje sa učiteljem, samoobučavanje, obučavanje sa podsticanjem.
  5. Bajesovo pravilo odlučivanja.
  6. Klasifikacija.
  7. Klasifikacija tekstualnih podataka.
  8. Klasterovanje.
  9. Regresija i predviđanje metodom regresije.
  10. Veštačke neuronske mreže i duboko obučavanje.
  11. Metoda vektora oslonca.
  12. Redukcija dimenzionalnosti vektora obeležja.
  13. Napredna klasifikacija teksta (sentiment analysis).
  14. Sistemi za preporuku.
  15. Računarska vizija.
Praktična nastava:
  1. Prati teorijsku nastavu i osposobljava studente da rešavaju prakične probleme iz oblasti mašinskog učenja upotrebom programskog jezika Python i pratećih biblioteka.
Literatura
  1. D. Julian (2016): "Designing Machine Learning systems with Python". Packt Publishing.
  2. L. P. Coelho, W. Richert (2015): "Building Machine Learning systems with Python, Second Edition". Packt Publishing.
  3. M. Milosavljević (2015): "Veštačka inteligencija". Univerzitet Singidunium, Beograd.
  4. J. Bell (2015): "Machine Learning: Hands-On for Developers and Technical Professionals". John Wiley & Sons, Inc.
Broj časova aktivne nastave (nedeljno)
Predavanja: 4
Vežbe: 3
Drugi oblici nastave: 0
Ocena znanja (maksimalan broj poena 100)
Predispitne obaveze
Poeni
aktivnosti u toku predavanja
0
aktivnosti na laboratorijskim vežbama
20
seminarski rad
0
kolokvijum
40
Završni ispit
Poeni
Pismeni ispit
40
Usmeni ispit
0