Mašinsko učenje je oblast veštačke inteligencije
koja se bavi izgradnjom računarskih sistema
koji uče iz iskustva. Ova oblast
je u poslednjih nekoliko godina izuzetno popularna,
kako u akademskim krugovima, tako i u
industriji.
U poslednjoj deceniji, sa razvojem dubokog učenja
(eng. deep learning), mašinsko učenje je
dovelo
do mnogih proboja u oblasti veštačke inteligencije,
rezultirajući iznenađujućim
performansama
računarskih sistema, koje prevazilaze uspešnost
ljudskih eksperata u nekim domenima. Neka od
najzanimljivijih skorašnjih dostignuća u kojima
mašinsko učenje igra ključnu ulogu su
autonomna
vožnja automobila i autonomno upravljanje
bespilotnim letilicama, prepoznavanja objekata na
slikama,
mašinsko prevođenje prirodnih jezika, prepoznavanja
govora, modelovanje semantike prirodnih
jezika,
itd. Jedno od najimpozantnijih dostignuća je pobeda
računara nad svetskim šampionom u igri
go, koja je mnogo teža za automatizaciju od
šaha. U ovom kursu, biće prikazani
osnovni koncepti
ove oblasti, najpopularniji algoritmi i različite
praktične primene.
Način polaganja
Predispitne obaveze, odnosno projekat, ove godine biće opcione, stoga studenti imaju dve
mogućnosti za polaganje ispita:
- Samo završni ispit
- Praktični deo ispita: 50 poena (prag: 16 poena)
- Teorijski deo ispita: 50 poena (prag: 16 poena)
- Projekat i završni ispit
- Projekat: 30 poena
- Praktični deo ispita: 30 poena (prag: 10 poena)
- Teorijski deo ispita: 45 poena (prag: 15 poena)
Projekat:
Tema za projekat predlaže se samoinicijativno
u grupi od 2 ili 3 studenta. Projekat se može braniti nezavisno od roka u
kojem se polaže završni ispit.
MATF rokovi:
- Rok za prijavu tema
je 1. jun.
-
Studenti koji žele da prenesu poene sa
projekta iz prethodne
školske godine ili da zadrže temu koju
su odabrali za rad,
mogu se javiti asistentima do 1. juna.
- Svi projekti moraju biti kompletirani
zaključno sa 1. septembrom.
- Ovde možete pronaći teme za akademsku 2023/2024:
teme za seminarske.
Dokument sadrži i uputstvo za prijavljivanje
projekata, propozicije koje projekti
treba da zadovolje i detalje u vezi sa
odbranom projekta.
INDUSTRIJA 4.0 rokovi:
- Spisak tema i termini odbrana projekata će biti istaknuti na strani sa
obaveštenjima.
Ovde možete pronaći teme za projekte iz ranijih
godina:
školska 2020/21,
školska 2019/20,
školska 2018/19,
školska 2017/18
Završni ispit:
Završni ispit se može polagati u celosti (teorijski i
praktični
deo u istom ispitnom roku) ili parcijalno (teorijski i
praktični
deo u različitim ispitnim rokovima). U slučaju
parcijalnog
polaganja student može odabrati koji deo će prvo
polagati (teorijski
ili praktični deo).
Literatura:
Za one koji žele više:
Svi materijali biće objavljivani na GitHub
repozitorijumu (LINK) u okviru
organizacije matf-ml na servisu GitHub.
Video materijali (snimci vežbi, YouTube): link.
Materijali su zaštićeni šifrom. Javiti se predmetnom
asistentu.
Dodatna literatura:
Zahvaljujemo Anđelki Zečević, Aleksandri Kocić i Nemanji Mićoviću na pomoći u pripremi
materijala.
Spisak softvera potrebnog za predmet Mašinsko učenje
možete pronaći
ovde.
Materijali sa časova:
Čas 5:
- Klasifikacija - uvod i mere kvaliteta modela
- Logistička regresija
- Undersampling, Oversampling, SMOTE algoritam
- Logistička regresija sa težinama
-
Materijali sa časa
Čas 7:
- Modeli zasnovani na kernelima
- Linearni i kernelizovani SVM
- Podešavanje metaparametara
- Model Nadaraja-Votson
-
Materijali sa časa
Čas 8:
- Stabla odlučivanja i slučajne šume
- Ansambli koji se zasnivaju na prostoj agregaciji
- Ansambli koji se zasnivaju na pojačavanju
-
Materijali sa časa
Čas 10:
- Uvod u Keras biblioteku i potpuno povezane
neuronske mreže
- Potpuno povezane neuronske mreže za problem
regresije i klasifikacije
- Funkcije sa povratnim pozivom (callbacks)
- Čuvanje i učitavanje sačuvanih modela
-
Materijali sa časa
Čas 11:
- Potpuno povezane neuronske mreže za obradu slika
- Uvod u konvolutivne neuronske mreže i
klasifikacija slika
- Konvolutivne neuronske mreže za obradu
teksutalnih podataka
-
Materijali sa časa
Čas 12:
- Različiti tipovi rekurentnih neuronskih mreža
- Rekurentne neuronske mreže za klasifikaciju
teksta
- Korišćenje pretreniranih ugnježdenih
reprezentacija
- Rad sa vremenskim serijama
- Generator funkcije
-
Materijali sa časa
Primeri ispitnih rokova:
Dodatna literatura:
Zahvaljujemo koleginici Anđelki Zečević na prosleđenim
materijalima.
Početak jesenjeg semestra
Svim studentima želimo lep i uspešan početak školske
2024/25. godine!
30. 09. 2024.