Услов:Познавање прорамског језика Python и одабраних тема из вероватноће и статистике.
Циљ:Упознавање студената са основним теоретским концептима и практичним вештинама из домена машинског учења и обраде
података.
Исход:Студенти ће по завршетку курса бити обучени да користе библиотеке за процесирање података у оквиру програмског језика Python, формирају векторе обележја, примене методе њихове редукције као и алгоритме за класификацију података, кластеровање и регресију.
Садржај предмета
Теоријска настава:
Појам машинског учења.
Креирање вектора обележја.
Обучавање са учитељем, самообучавање, обучавање са подстицањем.
Бајесово правило одлучивања.
Класификација.
Класификација текстуалних података.
Кластеровање.
Регресија.
Предвиђање методом регресије.
Метода вектора ослонца.
Редукција димензионалности вектора обележја.
Анализа сентимената.
Практична настава:
Прати теоријску наставу и оспособљава студенте да решавају пракичне проблеме из области машинског учења употребом програмског језика Python и пратећих библиотека
Литература
ПДФ материјали предавања и вежби
D. Julian, Designing Machine Learning systems with Python, Packt Publishing.
М. Милосављевић, Вештачка интелигенција, Универзитет Сингидуниум, Београд, 2015.
J. Bell, Machine Learning: Hands-On for Developers and Technical Professionals, J. Wiley & Sons, Inc., 2015
