ECTS Informacijski paket za akademsku godinu 2024. / 2025.

Strojno učenje

 

Naziv
Strojno učenje
Organizacijska jedinica
Odsjek za informacijske i komunikacijske znanosti
ECTS
6
Šifra
225476
Semestri
zimski
Nastavnici
Satnica
Predavanja
15
Seminar
30
Vježbe u praktikumu
15

Cilj
Cilj predmeta jest omogućiti studentima usvajanje kompetencija iz područja strojnog učenja. Strojno učenje predstavlja srž umjetne inteligencije, koje je danas jedno od najaktivnijih područja istraživanja. Svoju primjenu nalazi u prepoznavanju uzoraka, dubinskoj analizi teksta i dokumenata, prepoznavanju brojeva, slika, u predviđanju, itd. te se koristi u različitim područjima: od prometa, trgovine, do zdravstva, prava, financija, zabave, i sl. Kolegij obuhvaća teorijsku podlogu i primjenu strojnoga učenja, kroz osnovne pristupe nadziranog učenja (klasifikacija, regresija, stabla odlučivanja, itd.) i nenadziranog učenja (grupiranje, smanjivanje dimenzionalnosti, algoritmi povezivanja, LDA algoritam, itd.) u cilju provođenja prediktivne analitike.
Sadržaj
  1. Uvodno predavanje.
  2. Vrste strojnog učenja. Nadzirano učenje. Odabir i proprema podataka. Vrste varijabli. Vrste vizualnih prikaza. Primjena odabranog alata za strojno učenje.
  3. Klasifikacija. Stablo odlučivanja. Priprema i prikaz podataka. Primjena u odabranoj domeni uz odabrani alat.
  4. Logistička regresija. Primjena tabličnog kalkulatora i slika. Predikcije. Kros-validacija. Primjena u odabranoj domeni uz odabrani alat i/ili skriptni jezik Python.
  5. Bayesor klasifikator. Odabir i priprema podataka. Primjena u odabranom području, uz primjenu skriptnog jezika.
  6. Regresija. Računalna obrada korpusa. Pretprocesiranje tekstova. Primjena u odabranoj domeni uz odabrani alat.
  7. Nenadzirano učenje. Klastering. Hijerarhijski klastering. Primjena u odabranoj domeni uz odabrani alat i/ili skriptnom jeziku Python.
  8. Nenadzirano učenje . LDA (Latent Dirichlet Allocation) algoritam. Primjena u odabranoj domeni uz odabrani alat i/ili skriptnom jeziku Python.
  9. Algoritmi povezivanja. Primjena u odabranom skriptnom jeziku ili alatu za statističke analize.
  10. Nenadzirno učenje. PCA (Principal Component Analiza). Redukcija dimenzija. Odabir značajki.
  11. Ojačano učenje. Duboko učenje. Primjena u odabranoj domeni primjenom skriptnog jezika i/ili alata.
  12. Neuronske mreže. Duboko učenje. Algoritmi i primjena na odabranim skupom podataka.
  13. Evaluacija podataka. Procjena prikladnosti. Primjena u stvarnom svijetu.
  14. Projektni rad
  15. Projektni rad

Ishodi učenja
  1. definirati osnovne pojmove strojnog učenja
  2. objasniti karakteristike, prednosti i nedostatke različitih modela strojnog učenja (nadzirano, nenadzirano, polunadzirano, ojačano)
  3. primijeniti odabrane algoritme nad skupom podataka (klasifikacija, regresija, grupiranje, algoritmi povezivanja, ojačano učenje, duboko učenje)
  4. pripremiti podatkovni skup za odabrani algoritam
  5. osmisliti i implementirati postupak nad odabranim algoritmom, interpretirati rezultate i procijeniti prikladnost
  6. primijeniti odabrani skriptni jezik (Python, R) ili alat za strojno učenje nad odabranim modelima
Metode podučavanja
predavanja, vježbe, projektni rad
Metode ocjenjivanja
pismeni, usmeni, vježbe, projektni rad

Obavezna literatura
  1. Alpaydin, Ethem. Introduction to Machine Learning, MIT Press, 2009.
  2. Kelleher, J., Namee, B. M., D'Arcy, A. Fundamentals of Machine Learning for Predictive Data Analytics, 2020.
  3. Gareth, J., Witten, D., Hastie, T., Tibshirani, R. An Introduction to Statistical Learning with applications in R, Springer, 2013.
  4. Downey, Allen B. Think Stats, 2011.
  5. Bird, S.; Klein, E.; Loper, E. Natural Language Processing with Python, 2009.
  6. Siegel, Eric. Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die, Wiley, 2013.
Dopunska literatura
  1. Wickham, H., Grolemund, G. R for Data Science: Import, Tidy, Transform, Visualize, and Model Data, 2017.
  2. Covington, D. Analytics. Data Science, Data Analysis and Predictive Analytics for Business. 5th ed, 2016.
  3. Witten, H., Frank, E., Hall, A., Data Mining: Practical Machine Learning Tools and Techniques, Elsevier, 2011.
  4. Abbott, Dean. Applied Predictive Analytics: Principles and Techniques for the Professional Data Analyst, 1st ed, Wiley, 2014.

Obavezan predmet na studijima
Stari studiji
  1. Informacijske znanosti, sveučilišni diplomski jednopredmetni studij
  2. Informacijske znanosti, sveučilišni diplomski dvopredmetni studij
Izborni predmet na studijima
Stari studiji
  1. Informacijske znanosti, sveučilišni diplomski jednopredmetni studij
  2. Informacijske znanosti, sveučilišni diplomski dvopredmetni studij