Uvod v strojno učenje
Vrsta predmeta
obvezni modulski
Nosilec predmeta
doc. dr. Jure Žabkar
Študijski program in stopnja
Uporabna statistika, druga stopnja
Študijska smer
Vsi moduli
Letnik
1.
Semester
2.
O predmetu
Pogoji za vključitev v delo oz. za opravljanje študijskih obveznosti
- Vpis v prvi letnik študija.
Vsebina
- Napovedovanje: klasifikacijska in regresijska drevesa, logistična regresija, naivni Bayesov klasifikator, LDA/QDA, metoda najbližjih sosedov, ocene prileganja modela.
- Nenadzorovano strojno učenje: gručenje (hierarhično, k-voditeljev)
- Izbira spremenljivk in modelov: prečno preverjanje, metoda bootstrap, metode filter in wrapper.
- Napredno napovedovanje: regularizacija, posplošeni aditivni modeli, lokalna regresija.
- Združevanje modelov: bagging, boosting, naključni gozdovi, učenje z ansamblom modelov.
- Metoda podpornih vektorjev: za regresijo, za klasifikacijo, optimizacija.
- Nevronske mreže: učenje nevronskih mrež, preveliko prileganje in drugi računski izzivi.
Cilji in kompetence
Obravnavane metode predstavljajo temeljno znanje pri problemih napovedovanja, gručenja in drugih nalogah kvantitativne analize podatkov. Poznavanje teh metod je ključno za uporabo strojnega učenja v praksi in spoznavanje naprednejših metod strojnega učenja. Predmet je pomemben tudi za statistike, ki se ne bodo neposredno ukvarjali s strojnim učenjem, saj jim nudi nabor novih orodij za analizo podatkov.
Predvideni študijski rezultati
- Znanje in razumevanje: Razumevanje osnovnih pojmov strojnega učenja.
- Uporaba: Klasični pristopi v strojnem učenju so nepogrešljivi pri sodobni analizi podatkov in predstavljajo temelj, na katerem lahko zgradimo razumevanje naprednih pristopov v strojnem učenju.
- Refleksija: Razumevanje teorije na podlagi primerov uporabe. Razumevanje povezav med strojnim učenjem in statistiko.
- Prenosljive spretnosti: Sposobnost analitičnega razmišljanja in reševanja praktičnih problemov analize podatkov.