Opis predmeta
- Metode Bayesove statistike: Gaussovi procesi, Dirichletovi procesi, metode MCMC, strukturne aproksimacije.
- Globoko učenje: Boltzmannovi stroji, avtomatski kodirniki, konvolucijske nevronske mreže.
- Teorija učenja: učenje PAC, dimenzija VC.
- Druge izbrane teme: učenje z več jedri, učenje več nalog, vzpodbujevalno učenje.
Predmet učimo na programih
Cilji in kompetence
Glavni cilj predmeta je študente seznaniti z naprednimi pristopi v strojnem učenju. Enak poudarek je na praktični uporabi metod in razumevanju matematičnega ter algoritmičnega ozadja.
Metode poučevanja in učenja
predavanja, vaje, domače naloge, konzultacije
Del pedagoškega procesa bo izveden s pomočjo IKT tehnologij in možnosti, ki jih ponujajo.
Predvideni študijski rezultati
Znanje in razumevanje: Razumevanje naprednih metod strojnega učenja ter matematičnega in algoritmičnega ozadja.
Uporaba: Napredne metode strojnega učenja lahko uporabimo pri reševanju najbolj zahtevnih praktičnih problemov s področja analize podatkov. Koncepti, ki jih spoznamo pri tem predmetu so temeljni za nadaljnje metodološke in teoretične raziskave v strojnem učenju.
Refleksija: Razumevanje teorije na podlagi primerov uporabe. Razumevanje povezav med strojnim učenjem in statistiko.
Prenosljive spretnosti: Sposobnost analitičnega razmišljanja in raziskovalnega dela. Sposobnost reševanja praktičnih problemov analize podatkov.
Temeljni viri in literatura
Murphy, K. P. (2012). Machine learning: a probabilistic perspective. MIT press.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
Rasmussen, C. E. & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. MIT Press.
Bodi na tekočem
Univerza v Ljubljani, Fakulteta za elektrotehniko, Tržaška cesta 25, 1000 Ljubljana