Sveučilišni diplomski studij

Nazad   Raspored   Engleski

Raspoznavanje uzoraka i strojno učenje DRbd1-06-18

ECTS 5 | P 30 | A 0 | L 30 | K 0 | ISVU 149804 | Akademska godina: 2018./2019.

Grupe studenata

Prikaži sve grupe na predmetu

Nastavnici na predmetu

GRBIĆ RATKO, nositelj
SLIŠKOVIĆ DRAŽEN, nositelj
NOVOSELNIK FILIP, suradnik

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.

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

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

2. 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



Aktivnosti studenta:

Aktivnost studenta Broj radnih sati ECTS (Broj radnih sati/30) Ishod(i) učenja Nastavna
metoda
Metoda procjene Bodovi
Pohađanje Predavanja (PR), 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 zadatka150.51,2,4,6ProjektProvjera rješenja projektnog zadatka025