Poslijediplomski doktorski studij

Nazad   Raspored   Engleski

Duboko učenje ZUMR107

ECTS 8 | P 20 | A 0 | L 0 | K 0 | ISVU 0 | Akademska godina: 2018./2019.

Nastavnici na predmetu

GRBIĆ RATKO, nositelj
NYARKO EMMANUEL-KARLO, nositelj

Ciljevi predmeta

Upoznavanje s načelima i metodama iz područja strojnog učenja. Upoznavanje s metodama dubokog učenja. Upoznavanje s arhitekturom dubokih neuronskih mreža, algoritmima učenja takvih mreža te mogućim primjenama dubokog učenja. Stjecanje odgovarajućih vještina u radu s programskim alatima i cloud servisima koji omogućuju izgradnju složenih modela i duboko učenje.

Uvjeti za upis predmeta

Linearna algebra, vjerojatnost i statistika, programiranje

Sadržaj

Osnove strojnog učenja. Tipovi strojnog učenja. Osnove neuronskih mreža: višesloj na perceptronska mreža, Hopfieldova mreža, Boltzmannov stroj i ograničeni Boltzmannov stroj. Osnove dubokog učenja. Arhitekture i algoritmi dubokog učenja. Duboke neuronske mreže. Duboka Boltzmannova mreža. Duboka probabilistička mreža. Konvolucijske neuronske mreže. Povratne neuronske mreže. Ostale hibridne duboke neuronske mreže. Primjena dubokog učenja u obradi signala i informacija: obrada zvuka i govora, obrada prirodnog jezika, računalni vid i obrada slike, sustavi za preporuku. Rad s programskim alatima/cloud servisima koji podržavaju duboko učenje: Python, R, Theano, Google TensorFlow, Caffe, Torch, Amazon Web Services i drugi.

Znanja i vještine koje se stječu uspješnim svladavanjem kolegija

1. Klasificirati pojmove strojnog učenja i dubokog učenja. 2. Analizirati arhitekture dubokih neuronskih mreža. 3. Klasificirati, objasniti i analizirati algoritme dubokog učenja. 4. Predložiti rješenje konkretnog problema koristeći odgovarajuće metode i modele dubokog učenja. 5.Izgraditi i integrirati rješenje konkretnog problema koristeći programske alate za implementaciju metoda dubokog učenja.

Oblici provođenja nastave

Predavanja, seminarski rad, usmeni ispit

Obveze studenata

Pohađanje predavanja. Izrada seminarskog rada. Usmeni ispit.

Praćenje rada studenata

Predavanja, seminarski rad, usmeni ispit

Način provjere znanja

Predavanja, seminarski rad, usmeni ispit

Osnovna literatura

1. 1 I. Goodfellow, Y. Bengio, A Courville Deep Learning MIT Press, 2016.

2. 2 S. Raschka Python Machine Learning Packt Publishing, 2015.


Pretraži literaturu na:

Dopunska literatura

1. 1 T. Hastie, R. Tibshirani, J. Friedman The Elements of Statistical Learning: Data Mining, Inference, and Prediction Springer, 2009.

2. 2 Alpaydin, E. Introduction to Machine Learning MIT Press, 2014.

Način polaganja ispita

Predavanja, seminarski rad, usmeni ispit

Način praćenja kvalitete i uspješnosti izvedbe kolegija

Provođenjem studentske ankete

Pregled ishoda učenja, nastavnih metoda i procjena ishoda učenja

Ishodi učenja:

1. Klasificirati pojmove strojnog učenja i dubokog učenja.

2. Analizirati arhitekture dubokih neuronskih mreža.

3. Klasificirati, objasniti i analizirati algoritme dubokog učenja.

4. Predložiti rješenje konkretnog problema koristeći odgovarajuće metode i modele dubokog učenja.

5. Izgraditi i integrirati rješenje konkretnog problema koristeći programske alate za implementaciju metoda dubokog učenja.



Aktivnosti studenta:

Aktivnost studenta Broj radnih sati ECTS (Broj radnih sati/30) Ishod(i) učenja Nastavna
metoda
Metoda procjene Bodovi
Pohađanje Predavanja (PR3011,2,3,4PredavanjaEvidentiranje nazočnosti. Minimum potreban za potpis iznosi: 50%510
Seminarski rad1354.51,2,3,4,5Izrada seminarskog rada uz konzultacije i proučavanje literaturOcjena razine primijenjenih istraživačkih kompetencija na izradu seminarskog rada i prezentacija rezultata rada 3060
Priprema za usmeni ispit i usmeno odgovaranje na pitanja 752.51,2,3,4Usmeni ispitOcjena usvojenosti znanja i razumijevanje gradiva.1530