MAŠINSKO UČENJE

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.

Nastavnik:

Asistenti:

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).

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 1:
Čas 2:
Čas 3:
Čas 4:
Čas 5:
  • Klasifikacija - uvod i mere kvaliteta modela
  • Logistička regresija
  • Undersampling, Oversampling, SMOTE algoritam
  • Logistička regresija sa težinama
  • Materijali sa časa
Čas 6:
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 9:
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.