Stručni studij

Nazad   Raspored   Engleski

Primijenjeno strojno učenje SIR404-17

ECTS 5 | P 30 | A 0 | L 30 | K 0 | ISVU 175205 | Akademska godina: 2019./2020.

Grupe studenata

Prikaži sve grupe na predmetu

Nastavnici na predmetu

GRBIĆ RATKO, nositelj
SLIŠKOVIĆ DRAŽEN, nositelj

Ciljevi predmeta

Studente upoznati s načelima i metodama iz područja strojnog učenja te ih osposobiti za rad s programskim alatima i servisima koji omogućuju analizu podataka i strojno učenje.

Uvjeti za upis predmeta

Ostvareni uvjeti za upis druge godine studija.

Sadržaj

Uvod u strojno učenje. Nenadgledano i nadgledano učenje. Parametarske i neparametarske metode. Regresijske i klasifikacijske metode. Složenost modela. Odabir modela. Vrjednovanje rezultata. Različite metode/algoritmi nadgledanog strojnog učenja: neuronske mreže, strojevi s potpornim vektorima, stabla odluke, duboko učenje i sl. Algoritmi za grupiranje podataka. Algoritmi za smanjenje dimenzionalnosti podataka. Pregled aktualnih razvojnih okruženja za strojno učenje. Implementacija modela. Različite primjene strojnog učenja (obrada teksta, slika, sustavi preporuka i sl.) i primjeri.

Obveze studenata

Definirano Okvirima kriterija ocjenjivanja studenata FERIT-a i stavkom 1.9

Praćenje rada studenata

Definirano Okvirima kriterija ocjenjivanja studenata FERIT-a i stavkom 1.9

Osnovna literatura

1. 1 S. Raschka Python Machine Learning Packt Publishing, 2015.

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


Pretraži literaturu na:

Dopunska literatura

1. 1 W. McKinney Python for Dana Analysis O Reilly, 2013.

2. 2 C. Rossant IPython Interactive Computing and Visualization Cookbook Packt Publishing, 2014.

3. 3 G. James, D. Witten, T. Hastie, R. Tibshirani An Introduction to Statistical Learning with Applications in R, 6th Ed. Springer, 2013.

Način praćenja kvalitete i uspješnosti izvedbe kolegija

Provođenje sveučilišnih anketa o nastavnicima (pristup prema studentima, transparentnost kriterija, motivacija na izvršavanje aktivnosti, jasnoća izlaganja, i sl.). Provođenje fakultetskih anketa o predmetima (nakon položenog predmeta samoevaluacija studenata o usvojenim ishodima učenja, te o opterećenosti u usporedbi s ECTS-ima aktivnosti i predmeta u cjelini).

Pregled ishoda učenja, nastavnih metoda i procjena ishoda učenja

Ishodi učenja:

1. definirati osnovne pojmove i koncept strojnog učenja

2. primijeniti teorijske osnove u rješavanju jednostavnog problema strojnog učenja

3. koristiti gotove programske implementacije metoda i algoritama strojnog učenja

4. primijeniti tehnike eksplorativne analize podataka

5. primijeniti algoritme grupiranja podataka

6. primijeniti algoritme u rješavanju klasifikacijskih i regresijskih problema



Aktivnosti studenta: Vidi tablicu aktivnosti