Stručni studij

Nazad   Raspored   Engleski

Primijenjeno strojno učenje SIR404-17

ECTS 5 | P 30 | A 0 | L 30 | K 0 | ISVU 175205 | Akademska godina: 2018./2019.

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:

Aktivnost studenta Broj radnih sati ECTS (Broj radnih sati/30) Ishod(i) učenja Nastavna
metoda
Metoda procjene Bodovi
Pohađanje Predavanja (PR), Auditorne vježbe (AV), Laboratorijske vježbe (LV)451.51,2,3,4,5,6Predavanja (PR), Laboratorijske vježbe (LV)Predavanja (PR), Laboratorijske vježbe (LV)710
Pisanje priprema za LV, analiza rezultata, te pisanje izvještaja451.52,3,4,5Laboratorijske vježbe (LV)Provjera pripreme za LV, nadzor provođenja LV-a, provjera napisanih izvještaja1530
Priprema za usmeni ispit i usmeno odgovaranje na pitanja451.51,2,4,6Usmeni ispitProvjera danih odgovora1835
Rješavanje projektnog zadatka150.52,3,4,5,6ProjektProvjera rješenja projektnog zadatka025