Cilj
Ishod
Metode izvođenja nastave
Sadržaj
Literatura
Studenti su osposobljeni da: (a) analiziraju poslovni problem i da primene algoritme mašinskog učenja za različite poslovne probleme u odabranom softverskom okruženju; (b) interpretiraju rezultate dobijene algoritmima mašinskog učenja; (v) upoređuju različite algoritme mašinskog učenja i analiziraju njihovu uspešnost; (g) primenjuju modele mašinskog učenja; (g) koriste programske jezike i programske biblioteke za praktični razvoj modela.
Studenti poseduju napredna akademska i stručna znanja iz oblasti mašinskog učenja. Samostalno analiziraju poslovne probleme i primenjuju algoritme mašinskog učenja za različite poslovne probleme u odabranom softverskom okruženju. Samostalno upoređuju različite algoritme mašinskog učenja i evaluiraju njihovu uspešnost. Studenti kreiraju modele mašinskog učenja i optimizuju odgovarajuće hiperparametre ovih algoritama. Samostalno interpretiraju rezultate dobijene algoritmima mašinskog učenja i vrednuju njihovu primenljivost u organizacionom okruženju. Studenti mogu da korišste programske jezike i biblioteke koda za kreiranje modela mašinskog učenja, da organizuje kod, radi u timu na rešavanju zajedničkog problema. Takođe, studenti imaju pozitivan odnos prema značaju modela i svesni su njihovih implikacija u širem okruženju.
Predavanja se realizuju kombinacijom klasične nastave, studijama slučajeva i gostujućim predavanjima stručnjaka iz prakse. Vežbe se realizuju klasičnim načinom preko rešavanja zadataka, ali i korišćenjem odgovarajućih programskih jezika za mašinsko učenje. Auditorne vežbe i laboratorijske vežbe se održavaju u računarskoj sali.
Teorijska nastava
P-01: Uvod i primene mašinskog učenja, P-02: Problem klasifikacije i algoritam najbližih suseda, P-03: Evalaucija algoritama i problem pretreniranja, P-04: Stabla odlučivanja, P-05: Algoritam naivnog Bajesa, P-06: Bajesove mreže, P-07: Logistička regresija, P-08: Veštačke neuronske mreže, P-09: Algoritmi ansambli 1, P-10: Algoritmi ansambli 2, P-11: Problem procene i algoritmi, P-12: Problem klasterovanja i osnovni algoritmi, P-13: Unapređenja i napredni algoritmi klasterovanja, P-14: Novi trendovi u mašinskom učenju P-15: Primene algoritama (analiza teksta, slika, kretanja ljudi, preporuke)
Praktična nastava
V-01: Matematičke osnove mašinskog učenja, V-02: Problem klasifikacije i algoritam najbližih suseda, V-03: Evalaucija algoritama i problem pretreniranja, V-04: Stabla odlučivanja, V-05: Algoritam naivnog Bajesa, V-06: Bajesove mreže, V-07: Logistička regresija, V-08: Veštačke neuronske mreže, V-09: Algoritmi ansambli 1, V-10: Algoritmi ansambli 2, V-11: Problem procene i algoritmi, V-12: Problem klasterovanja i osnovni algoritmi, V-13: Unapređenja i napredni algoritmi klasterovanja, V-14: Novi trendovi u mašinskom učenju V-15: Primene algoritama (analiza teksta, slika, kretanja ljudi, preporuke)
1. Delibašić B., Suknović M., Jovanović M. Algoritmi mašinskog učenja za otkrivanje zakonitosti u podacima FON 2009
2. Suknović, M., Delibašić, B., Jovanović, M., Vukićević, M. Nastavni materijali sa Internet adrese: http://odlucivanje.fon.bg.ac.rs/predmeti/osnovnestudije/masinsko-ucenje/ FON 2021
3 Nikolić M., Zečević A. Mašinsko učenje Univerzitet u Beogradu – Matematički fakultet 2019
4. Bishop C. Pattern Recognition and Machine Learning Springer 2006
