Strojno učenje

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.

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.

Predavanja, vaje in domače naloge. Poseben poudarek bo na implementaciji različnih metod s čimer bodo študenti spoznali njihovo delovanje.