Strojno učenje za podatkovne vede 1

2021/2022

Program:

Interdisciplinarni magistrski študijski program 2. stopnje Računalništvo in matematika

Letnik:

1 ali 2 letnik

Semester:

prvi ali drugi

Vrsta:

izbirni

ECTS:

Jezik:

slovenski, angleški

Nosilec predmeta:

Blaž Zupan

Izvajalec (kontaktna oseba):

Tomaž Hočevar, Blaž Zupan

Ure na teden – 1. ali 2. semester:

Predavanja

Seminar

Vaje

Laboratorij

Pogojev za vključitev v delo ni.

Linearni modeli. Linearna regresija.
Linearna diskriminantna analiza. Logistična
regresija. Gradientni sestop. Stohastični
gradientni sestop.

Pristop strojnega učenja. Cenovna
funkcija. Pristop z zmanjšanjem tveganja.
Maksimizacija verjetja. Vrednotenje
modelov. Prečno preverjanje.

Izbor značilk. Pristopi z iskanjem.
Regularizacija.

Drevesni modeli. Klasifikacijska in
regresijska drevesa. Naključni gozd. Pristop
bagging. Gradientni razvoj niza dreves.

Gručenje. Metoda voditeljev. Algoritem
EM.

Nelinearna regresija. Bazne funkcije.
Zlepki. Metoda podpornih vektorjev. Trik z
jedri.

Nevronske mreže. Perceptron. Aktivacijske
funkcije. Tehnika vzvratnega razširjanja
napak.

James G, Witten D, Hastie T, Tibshirani T (2017) An Introduction to Statistical
Learning, Springer.

Hastie T, Tibshirani R, Friedman J (2003) The elements of statistical learning, Springer.

Predmet je namenjen seznanitvi z
matematičnimi in algortimičnimi
osnovami strojnega učenja ter vidiki
uporabe strojnega učenja pri reševanju
praktičnih problemov. Predmet pripravi
študente na študij naprednejših metod iz
strojnega učenja.

Po uspešno zaključenem predmetu naj bi
bili študentje zmožni:

Uporabiti pristope strojnega
učenja k podatkovni analitiki.
Evalvirati različne tehnike
modeliranja.
Izbrati ustrezno tehniko za dani
problem in podatke.
Interpretirati rezultate strojnega
učenja.
Prepoznati potencialne probleme.

Predavanja, vaje, domače naloge in nabor
manjših projektov.

Sprotno preverjanje (domače naloge,
projekti)
Končno preverjanje (pisni izpit)
Ocene: 6-10 pozitivno, 5 negativno