Статистичке методе у вештачкој интелигенцији (ИСВИ4)
Универзитет у Београду
ЕСПБ: 9.0
Садржај теоријске наставе
Основи статистичке анализе: метода максималне веродостојности, бајесовско резоновање, параметарске и непараметарске методе, класификација, регресија, естимација расподеле. Параметарске методе: линеарна регресија, селекција модела, генерализација линеарних модела, класификација (линеарна, машине на бази вектора ослонца - SVM, к-најближи суседи и неуралне мреже), графички модели, скривени Марковљеви модели. Непараметарски методи: непараметарска регресија и естимација расподеле, непараметарска класификација, бустинг, бутстреп, кластеризација, редукција димензионалности, PCA метода, непараметарске бајесовске методе, методе засноване на језгру (kernel).Теорија статистичког обучавања: Вапник-Червоненкис теорија, минимизација ризика, VC - димензија, способност генерализације алгоритама за класификацију.
Садржај практичне наставе
Предуслов
Основи вероватноће, статистике и линеарне алгебре
Циљ
Упознавање са стохастичким моделовањем података и савременим техникама и методама за статистичко обучавање и препознавање облика.
Литература
# T. Hastie, R. Tibshirani, and J. Friedman (2003), The Elements of Statistical Learning, Springer
#C.M. Bishop. Pattern Recognition and Machine Learning (2006), Springer
#Vapnik, Vladimir Naumovich. The Nature of Statistical Learning Theory (1998), New York, NY:Springer
#Vapnik, Vladimir Naumovich. Statistical Learning Theory (1998). New York, NY: Wiley
#R.O. Duda, P.E. Hart, and D.G. Stork, Pattern Classification (2001), Willey-Interscience
Тип испитивања
Методе извођења наставе
групни, индивидуални и практични
Наставници