Услов:Познавање прорамског језика Python (ОБАВЕЗНО) и одабраних тема из вероватноће и статистике, као и дискретне математике.
Циљ:Упознавање студената са основним теоретским концептима и практичним вештинама из домена машинског учења и обраде података.
Исход:Студенти ће по завршетку курса бити обучени да користе библиотеке за процесирање података у оквиру програмског језика Python, формирају векторе обележја, примене методе њихове редукције као и алгоритме за класификацијуподатака, кластеровање и регресију.
Обучавање са учитељем, самообучавање, обучавање са подстицањем.
Бајесово правило одлучивања.
Класификација.
Класификација текстуалних података.
Кластеровање.
Регресија и предвиђање методом регресије.
Вештачке неуронске мреже и дубоко обучавање.
Метода вектора ослонца.
Редукција димензионалности вектора обележја.
Напредна класификација текста (sentiment analysis).
Системи за препоруку.
Рачунарска визија.
Практична настава:
Прати теоријску наставу и оспособљава студенте да решавају пракичне проблеме из области машинског учења употребом програмског језика Python и пратећих библиотека.
Литература
D. Julian (2016): "Designing Machine Learning systems with Python". Packt Publishing.
L. P. Coelho, W. Richert (2015): "Building Machine Learning systems with Python, Second Edition". Packt Publishing.
М. Милосављевић (2015): "Вештачка интелигенција". Универзитет Сингидуниум, Београд.
J. Bell (2015): "Machine Learning: Hands-On for Developers and Technical Professionals". John Wiley & Sons, Inc.