Машинско учење

Студенти су оспособљени да: (а) анализирају пословни проблем и да примене алгоритме машинског учења за различите пословне проблеме у одабраном софтверском окружењу; (б) интерпретирају резултате добијене алгоритмима машинског учења; (в) упоређују различите алгоритме машинског учења и анализирају њихову успешност; (г) примењују моделе машинског учења; (г) користе програмске језике и програмске библиотеке за практични развој модела.

Студенти поседују напредна академска и стручна знања из области машинског учења. Самостално анализирају пословне проблеме и примењују алгоритме машинског учења за различите пословне проблеме у одабраном софтверском окружењу. Самостално упоређују различите алгоритме машинског учења и евалуирају њихову успешност. Студенти креирају моделе машинског учења и оптимизују одговарајуће хиперпараметре ових алгоритама. Самостално интерпретирају резултате добијене алгоритмима машинског учења и вреднују њихову применљивост у организационом окружењу. Студенти могу да коришсте програмске језике и библиотеке кода за креирање модела машинског учења, да организује код, ради у тиму на решавању заједничког проблема. Такође, студенти имају позитиван однос према значају модела и свесни су њихових импликација у ширем окружењу.

Предавања се реализују комбинацијом класичне наставе, студијама случајева и гостујућим предавањима стручњака из праксе. Вежбе се реализују класичним начином преко решавања задатака, али и коришћењем одговарајућих програмских језика за машинско учење. Аудиторне вежбе и лабораторијске вежбе се одржавају у рачунарској сали.

Теоријска настава
П-01: Увод и примене машинског учења, П-02: Проблем класификације и алгоритам најближих суседа, П-03: Евалауција алгоритама и проблем претренирања, П-04: Стабла одлучивања, П-05: Алгоритам наивног Бајеса, П-06: Бајесове мреже, П-07: Логистичка регресија, П-08: Вештачке неуронске мреже, П-09: Алгоритми ансамбли 1, П-10: Алгоритми ансамбли 2, П-11: Проблем процене и алгоритми, П-12: Проблем кластеровања и основни алгоритми, П-13: Унапређења и напредни алгоритми кластеровања, П-14: Нови трендови у машинском учењу П-15: Примене алгоритама (анализа текста, слика, кретања људи, препоруке)

Практична настава
В-01: Математичке основе машинског учења, В-02: Проблем класификације и алгоритам најближих суседа, В-03: Евалауција алгоритама и проблем претренирања, В-04: Стабла одлучивања, В-05: Алгоритам наивног Бајеса, В-06: Бајесове мреже, В-07: Логистичка регресија, В-08: Вештачке неуронске мреже, В-09: Алгоритми ансамбли 1, В-10: Алгоритми ансамбли 2, В-11: Проблем процене и алгоритми, В-12: Проблем кластеровања и основни алгоритми, В-13: Унапређења и напредни алгоритми кластеровања, В-14: Нови трендови у машинском учењу В-15: Примене алгоритама (анализа текста, слика, кретања људи, препоруке)

1. Делибашић Б., Сукновић М., Јовановић М. Алгоритми машинског учења за откривање законитости у подацима ФОН 2009
2. Сукновић, М., Делибашић, Б., Јовановић, М., Вукићевић, М. Наставни материјали са Интернет адресе: http://odlucivanje.fon.bg.ac.rs/predmeti/osnovnestudije/masinsko-ucenje/ ФОН 2021
3 Николић М., Зечевић А. Машинско учење Универзитет у Београду – Математички факултет 2019
4. Bishop C. Pattern Recognition and Machine Learning Springer 2006