Sveučilišni diplomski studij

Nazad   Raspored   Engleski

Raspoznavanje uzoraka i strojno učenje DRb1-05

ECTS 5 | P 30 | A 0 | L 30 | K 0 | ISVU 149804 | Akademska godina: 2017./2018.

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 na:

Dopunska literatura

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

2. 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. predložiti način rješavanja konkretnog problema u okviru strojnog učenja

3. izraditi vlastito programsko rješenje uz primjenu odgovarajućih biblioteka s implementiranim metodama i algoritmima strojnog učenja

4. procijeniti prikladnost pojedinog algoritma nenadziranog učenja za dani problem

5. procijeniti prikladnost pojedinog algoritma nadziranog učenja za dani problem

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- predložiti način rješavanja konkretnog problema u okviru strojnog učenja- izraditi vlastito programsko rješenje uz primjenu odgovarajućih biblioteka s implementiranim metodama i algoritmima strojnog učenja- procijeniti prikladnost pojedinog algoritma nenadziranog učenja za dani problem- procijeniti prikladnost pojedinog algoritma nadziranog učenja za dani problem- objasniti načine odabira i vrjednovanja modelaPredavanja (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
- predložiti način rješavanja konkretnog problema u okviru strojnog učenja- izraditi vlastito programsko rješenje uz primjenu odgovarajućih biblioteka s implementiranim metodama i algoritmima strojnog učenja- procijeniti prikladnost pojedinog algoritma nenadziranog učenja za dani problem- procijeniti prikladnost pojedinog algoritma nadziranog učenja za dani problemLaboratorijske 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- predložiti način rješavanja konkretnog problema u okviru strojnog učenja- procijeniti prikladnost pojedinog algoritma nenadziranog učenja za dani problem- objasniti načine odabira i vrjednovanja modelaUsmeni 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- predložiti način rješavanja konkretnog problema u okviru strojnog učenja- procijeniti prikladnost pojedinog algoritma nenadziranog učenja za dani problem- objasniti načine odabira i vrjednovanja modelaProjekt Provjera rješenja projektnog zadatka Min

0
Max

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