Metode strojnog učenja

Metode strojnog učenja

Naziv predmeta
Metode strojnog učenja
Oznaka predmeta
11433
Semestar
2
Status predmeta
ECTS
4
Predavanja
30
Vježbe
15
Samostalni rad
75
Ukupno
120
Nastavnici i suradnici
doc. dr. sc. Leo Mršić, dipl. oec.
doc. dr. sc. Sandro Skansi
Cilj predmeta
Strojno učenje je naziv za skupinu algoritama za automatsku obradu podataka. Strojno učenje tvori temelj današnje podatkovne znanosti. Obrada podataka metodama strojnog učenja rezultira prediktivnim modelom, no primjene su puno šire od same predikcije, tako da se strojno učenje koristi za bilo koje preslikavanje ulaza i izlaza koje je preteško ručno unijeti ili za koje ne postoje jasno precizirana pravila koja bi se unijela, ili se pak ta pravila prečesto mijenjaju. Strojno učenje se dijeli na nadzirano, nenadzirano i nagrađivano. Ovaj kolegij će se baviti prvenstveno nadziranim strojnim učenjem, premda će dio biti posvećen i nenadziranom. Nagrađivano učenje spada u napredne teme, a ova tema će se obraditi u drugim kolegijima. Cilj predmeta je studenta upoznati s osnovnim algoritmima strojnog učenja i osnovnim tehnikama njihove optimizacije, kao i metodama redukcije značajki.
Sadržaj
Uvod u strojno učenje. Stabla odlučivanja. Normalizacija i čišćenje podataka. Linearna regresija, stabla regresije. Mjere efikasnosti. Nasumične šume. Support vector machines. PCA/ICA. XGBOOST. Nenadzirano učenje. Logistička regresija. Neuralne mreže. Konvolucijske mreže. Trendovi i budućnost.
Osnovna literatura:
Mršić, L. i Skansi, S. 2017. Strojno učenje u Pythonu. [Skripta u pripremi]
Preporučena dopunska literatura
S. Raschka 2015. Python Machine Learning. New York: Packt Publishing
http://xgboost.readthedocs.io/en/latest/model.html
http://blog.insightdatalabs.com/visualizing-classifier-thresholds/

Minimalni ishodi učenja

  1. Obrazložiti način funkcioniranja osnovnih algoritama strojnog učenja
  2. Analizirati funkcioniranje odabranih algoritama
  3. Ocijeniti utjecaj različitih vrsta redukcije značajki
  4. Analizirati rezultate strojnog učenja nad podatcima i procijeniti efikasnost algoritma

Željeni ishodi učenja

  1. Prosuditi koji algoritam je najbolji za pojedini problem
  2. Kritički prosuditi o komponentama odabranih algoritama za strojno učenje te temeljem toga uvidjeti za koji tip problema je algoritam najpogodniji
  3. Vrednovati utjecaj različitih redukcija značajki
  4. Izravno primijeniti odabranu metodu strojnog učenja na odabrani problem i riješiti ga u potpunosti