Opis predmeta
Napovedovanje: klasifikacijska in regresijska drevesa, logistična regresija, naivni Bayesov klasifikator, LDA/QDA, metoda najbližjih sosedov, ocene prileganja modela.
Izbira spremenljivk in modelov: prečno preverjanje, metoda bootstrap, metode filter in wrapper.
Napredno napovedovanje: bazne funkcije, zlepki, regularizacija, posplošeni aditivni modeli, lokalna regresija.
Združevanje modelov: bagging, boosting, naključni gozdovi, učenje z ansamblom modelov.
Metoda podpornih vektorjev: za regresijo, za klasifikacijo , optimizacija, dualnost, RKHS.
Nevronske mreže: učenje nevronskih mrež, preveliko prileganje in drugi računski problemi.
Cilji in kompetence
Obravnavane metode predstavljajo temeljno znanje pri problemih napovedovanja, gručenja in drugih nalogah kvantitativne analize podatkov. Poznavanje teh metod je ključno za uporabo strojnega učenja v praksi in spoznavanje naprednejših metod strojnega učenja. Predmet je pomemben tudi za statistike, ki se ne bodo neposredno ukvarjali s strojnim učenjem, saj jim nudi nabor novih orodij za analizo podatkov.
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 osnovnih pojmov strojnega učenja.
Uporaba: Klasični pristopi v strojnem učenju so nepogrešljivi pri sodobni analizi podatkov in predstavljajo temelj, na katerem lahko zgradimo razumevanje naprednih pristopov v strojnem učenju.
Refleksija: Razumevanje teorije na podlagi primerov uporabe. Razumevanje povezav med strojnim učenjem in statistiko.
Prenosljive spretnosti: Sposobnost analitičnega razmišljanja in reševanja praktičnih problemov analize podatkov.
Reference nosilca
ŠOBERL, Domen, BRATKO, Ivan, ŽABKAR, Jure. Learning to control a quadcopter qualitatively. Journal of intelligent & robotic systems. vol. 100, no. 3/4, str. 1097-1110, 2020.
Jurca A, Žabkar J, Džeroski S. Analysis of 1.2 million foot scans from North America, Europe and Asia. Scientific Reports, vol 9, num 19155, 2019.
MOŽINA M, DEMŠAR J, BRATKO I, ŽABKAR J. Extreme value correction : a method for correcting optimistic estimations in rule learning. Machine learning, pp. 1-33, 2018.
ŽABKAR J, BRATKO I, DEMŠAR J. Extracting qualitative relations from categorical data. Artificial intelligence, vol. 239, pp. 54-69, 2016.
ŽABKAR J, LEONARDIS A. Motor memory: representation, learning and consolidation. Biologically inspired cognitive architectures, vol. 16, pp. 64-74, Apr. 2016.
ŽABKAR J, MOŽINA M, BRATKO I, DEMŠAR J. Learning qualitative models from numerical data. Artificial intelligence, vol. 175, no. 9/10, pp. 1604-1619, 2011.
MOŽINA M, ŽABKAR J, BRATKO I. Argument based machine learning. Artificial intelligence, vol. 171, no. 10/15, pp. 922-937, 2007.ŠTRUMBELJ, Erik. On determining probability forecasts from betting odds. International journal of forecasting, 2014, vol. 30, no. 4, str. 934-943.
Temeljni viri in literatura
- James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning (Vol. 6). New York: Springer.
- Friedman, J., Hastie, T., & Tibshirani, R. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer Series in Statistics.
- Géron A. (2019) Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition, O'Reilly Media, Inc.
- Witten I. H., Frank E., and Hall M. (2011). Data Mining: Practical Machine Learning Tools and Techniques (3rd. ed.). Morgan Kaufmann Publishers Inc., San Francisco, CA, USA.
Bodi na tekočem
Univerza v Ljubljani, Fakulteta za elektrotehniko, Tržaška cesta 25, 1000 Ljubljana