Strojno učenje

Potrebno je poznavanje verjetnostnega računa, statistike, programiranja in osnov strojnega učenja.

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.

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.

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.

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.

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

Sprotno preverjanje (domače naloge, vaje)
Končno preverjanje (pisni in/ali ustni izpit)
(ocene: 5 (negativno), 6-10 (pozitivno), ob upoštevanju Statuta UL)

Demaeyer, J., Bhend, J., Lerch, S., Primo, C., Van Schaeybroeck, B., Atencia, A., Ben Bouallègue, Z., Chen, J., Dabernig, M., Evans, G. & Faganeli Pucer, J., (2023). The EUPPBench postprocessing benchmark dataset v1. 0. Earth System Science Data, 15(6), 2635-2653.
Mlakar, P., & Faganeli Pucer, J. (2023). Mixture Regression for Clustering Atmospheric-Sounding Data: A Study of the Relationship between Temperature Inversions and PM10 Concentrations. Atmosphere, 14(3), 481.
Faganeli Pucer, J., & Štrumbelj, E. (2018). Impact of changes in climate on air pollution in Slovenia between 2002 and 2017. Environmental pollution, 242, 398-406.
Faganeli Pucer, J., Pirš, G., & Štrumbelj, E. (2018). A Bayesian approach to forecasting daily air-pollutant levels. Knowledge and Information Systems, 57(3), 635-654.
Pucer, J. F., & Kukar, M. (2018). A topological approach to delineation and arrhythmic beats detection in unprocessed long-term ECG signals. Computer methods and programs in biomedicine, 164, 159-168.