Uslov:Poznavanje proramskog jezika Python i odabranih tema iz verovatnoće i statistike.
Cilj:Upoznavanje studenata sa osnovnim teoretskim konceptima i praktičnim veštinama iz domena mašinskog učenja i obrade
podataka.
Ishod:Studenti će po završetku kursa biti obučeni da koriste biblioteke za procesiranje podataka u okviru programskog jezika Python, formiraju vektore obeležja, primene metode njihove redukcije kao i algoritme za klasifikaciju podataka, klasterovanje i regresiju.
Sadržaj predmeta
Teorijska nastava:
Pojam mašinskog učenja.
Kreiranje vektora obeležja.
Obučavanje sa učiteljem, samoobučavanje, obučavanje sa podsticanjem.
Bajesovo pravilo odlučivanja.
Klasifikacija.
Klasifikacija tekstualnih podataka.
Klasterovanje.
Regresija.
Predviđanje metodom regresije.
Metoda vektora oslonca.
Redukcija dimenzionalnosti vektora obeležja.
Analiza sentimenata.
Praktična nastava:
Prati teorijsku nastavu i osposobljava studente da rešavaju prakične probleme iz oblasti mašinskog učenja upotrebom programskog jezika Python i pratećih biblioteka
Literatura
PDF materijali predavanja i vežbi
D. Julian, Designing Machine Learning systems with Python, Packt Publishing.
M. Milosavljević, Veštačka inteligencija, Univerzitet Singidunium, Beograd, 2015.
J. Bell, Machine Learning: Hands-On for Developers and Technical Professionals, J. Wiley & Sons, Inc., 2015
