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: 2019./2020.

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: Vidi tablicu aktivnosti