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:
Pojam mašinskog učenja.
Kreiranje vektora obeležja.
Induktivno empirijsko učenje funkcionalnih preslikavanja.
Obučavanje sa učiteljem, samoobučavanje, obučavanje sa podsticanjem.
Bajesovo pravilo odlučivanja.
Klasifikacija.
Klasifikacija tekstualnih podataka.
Klasterovanje.
Regresija i predviđanje metodom regresije.
Veštačke neuronske mreže i duboko obučavanje.
Metoda vektora oslonca.
Redukcija dimenzionalnosti vektora obeležja.
Napredna klasifikacija teksta (sentiment analysis).
Sistemi za preporuku.
Računarska vizija.
Praktična nastava:
Prati teorijsku nastavu i osposobljava studente da rešavaju prakične probleme iz oblasti mašinskog učenja upotrebom programskog jezika Python i pratećih biblioteka.
Literatura
D. Julian (2016): "Designing Machine Learning systems with Python". Packt Publishing.
L. P. Coelho, W. Richert (2015): "Building Machine Learning systems with Python, Second Edition". Packt Publishing.
M. Milosavljević (2015): "Veštačka inteligencija". Univerzitet Singidunium, Beograd.
J. Bell (2015): "Machine Learning: Hands-On for Developers and Technical Professionals". John Wiley & Sons, Inc.
