Машинско учење (ИСВИ7)
Универзитет у Београду
ЕСПБ: 11.0
Садржај теоријске наставе
#Машинско учење - основни појмови и концепти
#Подаци: прикупљање, чишћење, трансформација и представљање података
#Атрибути: приступи за селекцију и редукцију скупа атрибута
#Модели и алгоритми надгледаног учења
#Модели и алгоритми ненадгледаног учења
#Евалуација резултата учења (валидација, тестирање, мере перформанси)
#Примене машинског учења (нпр. Web mining, Text mining)
#Алати за рад са моделима и алгоритмима Машинског учења (нпр. Weka, Rapid Miner)
Садржај практичне наставе
Предуслов
Циљ
Упознавање са основим концептима, алгоритмима, моделима и методама Машинског учења, као и типичним облицима примене, стеченим искуствима, препознатим предностима и недостацима.
Стицање практичних вештина у примени алгоритама и метода Машинског учења.
Стицање знања потребног за даљи самостални истраживачки рад у некој од области Машинског учења.
Литература
#Ian H. Witten, Eibe Frank and Mark A. Hall. 2011. Data Mining: Practical Machine Learning Tools and Techniques (Third Edition). Morgan Kaufmann
#Toby Segaran. 2007. Programming Collective Intelligence. O'Reilly Media
Тип испитивања
Методе извођења наставе
Класична предавања или менторски рад, зависно од броја пријављених студената.