Opis predmeta
Predavanje:
– Kaj je strojno učenje, kaj so osnovni principi, kaj želimo doseči.
– Linearna regresija in poglobljeno obravnavanje regulariziranih metod linearne regresije.
– Klasifikacija z metodo logistične regresije.
– Cenovne funkcije.
– Gradientni sestop in stohastičen gradientni sestop in zakaj sta metodi uporabni v strojnem učenju
– Generalizirani linearni modeli.
– Vrednotenje modelov strojnega učenja (prečno preverjanje, metoda stremena)
– Ansambelske metode (predvsem bagging in boosting in naključni gozdovi)
– Jedrne metode (Gaussovi procesi, metoda podpornih vektorjev)
– Umetne nevronske mreže (aktivacijska funkcija, metoda vzvratnega razširjanja napake, učenje nevronske mreže, regularizacija)
– Metode za zmanjšanje dimenzionalnosti prostora (analiza glavnih komponent, matrična faktorizacija, clustering)
– Razlaga modelov strojnega učenja
– Spodbujevano učenje
Vaje:
Na vajah študenti utrjujejo snov, ki jo obravnavajo na predavanjih, tako da jo uporabijo pri reševanju praktičnih problemov. Pri tem je poudarek na samostojnem delu študentov ob pomoči asistentov. Namen vaj je, da s pomočjo programiranja pristopov različnih algoritmov študenti razumejo metode strojnega učenja in kako te delujejo v praksi.
Predmet učimo na programih
Cilji in kompetence
Cilj predmeta je poglobiti znanje iz strojnega učenja, ki so ga študenti pridobili na dodiplomskem študiju. Študenti bodo spoznali najbolj uspešne pristope in se poglobiti vanje, spoznali kako delujejo kaj so njihove omejitve. Predmet pripravi študenta na nadaljnji, bolj poglobljen študij pristopov strojnega učenja. Študente pripravi tudi na uporabo metod strojnega učenja v praksi, saj bodo ob zaključku predmeta za dani problem sposobni presoje, katero od predstavljenih tehnik uporabiti, ter sestaviti prototip rešitve.
Metode poučevanja in učenja
Predavanja, vaje in domače naloge. Poseben poudarek bo na implementaciji različnih metod s čimer bodo študenti spoznali njihovo delovanje.
Predvideni študijski rezultati
Z uspešno zaključenim predmetom je študent:
– sposoben uporabe različnih tehnike in metode, ki se uporabljajo pri modeliranju podatkov s strojnim učenjem v praksi.
– znal izbrati najbolj primerno tehniko za rešitev problema.
– sposoben ovrednotiti različne rešitve in njihove omejitve.
– sposoben razložiti naučen model.
Temeljni viri in literatura
- James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning (Vol. 112, p. 18). New York: Springer.
- Trevor, H., Robert, T., & Jerome, F. (2016). The elements of statistical learning: data mining, inference, and prediction (second edition).
- Murphy, K. P. (2022). Probabilistic machine learning: An introduction. MIT press.
Bodi na tekočem
Univerza v Ljubljani, Fakulteta za elektrotehniko, Tržaška cesta 25, 1000 Ljubljana