Sveučilišni diplomski studij

Ak.g.2014./2015.2015./2016.2016./2017.2017./2018.

Nazad   Raspored   Engleski

Raspoznavanje uzoraka i strojno učenje DRb1-05

ECTS 5 | P 30 | A 0 | L 30 | K 0 | ISVU 149804

Grupe studenata

Prikaži sve grupe na predmetu

Nastavnici na predmetu

GRBIĆ RATKO, nositelj
SLIŠKOVIĆ DRAŽEN, nositelj

Ciljevi predmeta

Upoznavanje studenata s načelima i metodama iz područja raspoznavanja uzoraka i strojnog učenja. Predstaviti rad s programskim alatima za analizu empirijskih podataka i strojno učenje koji omogućuju rješavanje problema raspoznavanja uzoraka i dubinske analize podataka u različitim područjima tehnike, ali i ljudske djelatnosti općenito. Predstaviti teorijske podloge za nekoliko predmeta koji slijede, a sadržajno se odnose na primjenu teorije raspoznavanja uzoraka.

Uvjeti za upis predmeta

Ostvareni uvjeti za upis studija

Sadržaj

Uvod u strojno učenje. Nenadgledano i nadgledano učenje. Parametarske i neparametarske metode. Regresijske i klasifikacijske metode. Neuronske mreže. Strojevi s potpornim vektorima. Jezgrene metode. Klasteriranje podataka. Smanjenje dimenzionalnosti podataka i izlučivanje značajki. Odabir modela. Vrjednovanje rezultata. Osnove teorije odlučivanja. Različite primjene strojnog učenja i primjeri.

Vrste izvođenja nastave

predavanjasamostalni zadacilaboratorijske vježbe

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

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

Pretraži literaturu

Dopunska literatura

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

2. Haykin, S., Neural Networks – A Comprehensive Foundation, 2nd edition, Prentice Hall, 1999.

3. C.M. Bishop, Pattern Recognition and Machine Learning, Springer, 2007.

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 teorije raspoznavanja uzoraka i strojnog učenja.

2. Primijeniti teorijske osnove u rješavanju jednostavnog problema strojnog učenja.

3. Koristiti programske alate za implementaciju metoda i algoritama strojnog učenja.

4. Primijeniti algoritme grupiranja podataka.

5. Primijeniti algoritme u rješavanju klasifikacijskih i regresijskih problema.

6. Objasniti načine odabira i vrjednovanja modela.



Tablica ishoda vidljiva je samo na desktop verziji (min 600px širina pregleda)   Izvoz u Excel
Aktivnost studenta Broj radnih sati ECTS (Broj radnih sati/30) Ishod(i) učenja Nastavna
metoda
Metoda procjene Bodovi
Pohađanje
Predavanja (PR), Laboratorijske vježbe (LV)

45
ECTS
1.5
- Definirati osnovne pojmove teorije raspoznavanja uzoraka i strojnog učenja.- Primijeniti teorijske osnove u rješavanju jednostavnog problema strojnog učenja.- Koristiti programske alate za implementaciju metoda i algoritama strojnog učenja.- Primijeniti algoritme grupiranja podataka.- Primijeniti algoritme u rješavanju klasifikacijskih i regresijskih problema.- Objasniti načine odabira i vrjednovanja modela.Predavanja (PR), Laboratorijske vježbe (LV) Evidentiranje nazočnosti. Minimum potreban za potpis iznosi:
70%

Ovim postotkom se definira i iznos Min za Broj radnih sati iz ove aktivnosti. Max za Broj radnih sati određen je studijskim programom.
Min

7
Max

10
Pisanje priprema za LV, analiza rezultata, te pisanje izvještaja Broj radnih sati
45
ECTS

1.5
- Primijeniti teorijske osnove u rješavanju jednostavnog problema strojnog učenja.- Koristiti programske alate za implementaciju metoda i algoritama strojnog učenja.- Primijeniti algoritme grupiranja podataka.- Primijeniti algoritme u rješavanju klasifikacijskih i regresijskih problema.Laboratorijske vježbe (LV) Provjera pripreme za LV, nadzor provođenja LV-a, provjera napisanih izvještaja Min

15
Max

30
Priprema za usmeni ispit i usmeno odgovaranje na pitanja Broj radnih sati
45
ECTS

1.5
- Definirati osnovne pojmove teorije raspoznavanja uzoraka i strojnog učenja.- Primijeniti teorijske osnove u rješavanju jednostavnog problema strojnog učenja.- Primijeniti algoritme grupiranja podataka.- Objasniti načine odabira i vrjednovanja modela.Usmeni ispit Provjera danih odgovora Min

18
Max

35
Rješavanje projektnog zadatka Broj radnih sati
15
ECTS

0.5
- Definirati osnovne pojmove teorije raspoznavanja uzoraka i strojnog učenja.- Primijeniti teorijske osnove u rješavanju jednostavnog problema strojnog učenja.- Primijeniti algoritme grupiranja podataka.- Objasniti načine odabira i vrjednovanja modela.Projekt Provjera rješenja projektnog zadatka Min

0
Max

25
Σ Aktivnosti Σ Broj radnih sati
150
Σ ECTS
5
Σ Max
100