Mašinsko učenje (13M051MU)
| Predmet | Status | Broj časova (P+V+L) | Krediti |
| Mašinsko učenje | |||
| Predavanja - Predrag Tadić | |||
| Vežbe - |
|||
MU - Obaveštenja
- 06.02.2020. Rezultati ispita u februarskom roku su ovde. Uvid: petak 07.II u 10:30h, kabinet 72.
- 03.02.2020. Odbrane projekata u februarskom roku održaće se u utorak 04.II u RC-u, prema sledećim terminima (dozvoljene su međusobne zamene termina). Prezentacije su ograničene na 5 minuta.
- 24.01.2020. Studenti koji žele da brane projekat u februarskom roku treba da ga pošalju najkasnije u ponedeljak 03.02.2020 do podneva. Odbrane će biti organizovane u utorak između 9h i 15h. Precizniji raspored će biti naknadno objavljen.
- 24.01.2020. Projekti se brane najkasnije u roku u kom se izlazi na pismeni ispit.
- 21.01.2020. Rezultati ispita u januarskom roku su ovde. Uvid: petak 24.I u 15h, RC-7.
- 08.01.2020. Odbrane projekata u januarskom roku održaće se 15. januara od 11h (odmah posle ispita) u sali 311. Kratak izveštaj treba poslati na Ova adresa el. pošte je zaštićena od spambotova. Omogućite JavaScript da biste je videli. najkasnije u ponedeljak 13. januara. Za odbranu je potrebno pripremiti petominutnu prezentaciju, koja treba da sadrži:
- opis problema,
- eksplorativnu analizu i vizuelizaciju podataka,
- kratak opis korišćenih algoritama (u slučaju da su u pitanju metode koje nisu obrađivane na predavanjima),
- ostvarene rezultate.
- 04.11.2019. Zakasneli domaći zadaci boduju se sa najviše polovinom poena.
- 18.10.2019. Formirana je dopisna lista Ova adresa el. pošte je zaštićena od spambotova. Omogućite JavaScript da biste je videli.. Na stranici lists.etf.rs možete proveriti da li se nalazite na ovoj listi i da se, po potrebi, prijavite.
MU - Materijali
Osnovne informacije o predmetu Primer ispita (Januar 2018)
Predavanja
- 01 Linearna regresija [1]
- 02 Logistička regresija [1]
- 03 Generalizovani linearni modeli [1]
- 04 Generativni algoritmi [1]
- 05 Metoda nosećih vektora (Support Vector Machine) [1]
- 06 Teorija učenja [1]
- 07 Regularizacija i izbor modela [1]
- 08 Ansambl metode [2, 3, 4], Boosting prezentacija
- 09 Učenje podsticanjem [5, 1, 4]
Preporučena literatura
- Andrew Ng, John Duchi, "Machine Learning - Lecture notes" (link)
- Tommi Jaakkola, "Machine Learning - Lecture notes" (link)
- Christopher Bishop, "Pattern Recognition and Machine Learning", Springer, 2006
- Stuart Russel, Peter Norvig, "Artificial Intelligence: A Modern Approach", Pearson, 2010
- Richard Sutton and Andrew Barto, "Reinforcement learning: An introduction", MIT press, 2018.
Primeri
Najjednostavniji način da pokrenete ove primere jeste da ih kopirate na svoj Google Drive i da ih otvorite u Colab-u (desni klik, Open with > Colaboratory). Alternativa: Jupyter Notebook.
13M051MU