Napredne metode strojnega učenja

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.

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.

Reference nosilca

SADIKOV, Aleksander, GROZNIK, Vida, MOŽINA, Martin, ŽABKAR, Jure, NYHOLM, Dag, MEMEDI, Mevludin, GEORGIEV, Dejan. Feasibility of spirography features for objective assessment of motor function in Parkinson's disease. Artificial intelligence in medicine, 2017, vol. 88, str. 54-62.

TURNŠEK HITIJ, Nina, KERN, Izidor, SADIKOV, Aleksander, KNEZ, Lea, STANIČ, Karmen, ZWITTER, Matjaž, ČUFER, Tanja. Immunohistochemistry for EGFR mutation detection in non-small-cell lung cancer. Clinical lung cancer, vol. 18, iss. 3, str. e187-e196.

GROZNIK, Vida, GUID, Matej, SADIKOV, Aleksander, MOŽINA, Martin, GEORGIEV, Dejan, KRAGELJ, Veronika, RIBARIČ, Samo, PIRTOŠEK, Zvezdan, BRATKO, Ivan. Elicitation of neurological knowledge with argument-based machine learning. Artificial intelligence in medicine, vol. 57, no. 2, spec. iss., str. 133-144.

BORŠTNAR, Simona, SADIKOV, Aleksander, MOŽINA, Barbara, ČUFER, Tanja. High levels of uPA and PAI-1 predict a good response to anthracyclines. Breast cancer research and treatment, 2010, vol. 121, no. 3, str. 615-624.

SADIKOV, Aleksander, BRATKO, Ivan. Learning long-term chess strategies from databases. Machine learning, 2006, vol. 63, no. 3, str. 329-340.

LEŠNIČAR, Hotimir, ČUFER, Tanja, SERŠA, Gregor, SADIKOV, Aleksander. Splošna načela klinične onkologije. V: NOVAKOVIĆ, Srdjan (ur.), et al. Onkologija: raziskovanje, diagnostika in zdravljenje raka. 1. izd. Ljubljana: Mladinska knjiga. 2009, str. 56-83.

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.