Kurs upoznaje studente sa naprednim temama u oblasti mašinskog učenja sa posebnim osvrtom na teorijske osnove naprednih tehnika i alata za implementaciju. Obrađuju se teme koje se tiču specifičnih savremenih tehnika nadgledanog, nenadgledanog i polunadgledanog učenja,

Studenti će naučiti da interpretiraju i povežu različite napredne algoritme i pristupe mašinskog učenja. Naučiće da rukuju podacima, identifikuju i izaberu najpogodnije pristupe mašinskom učenju, tehnike regularizacije, kao i da nadziru proces obuke i podešavaju regularizacione parametre. Studenti će ovladati upotrebom programskih alata zasnovanih na jeziku Python.

Neuralne mreže: uvod, arhitekture i postupci obuke, evaluacija i primena. Grupno učenje: bagging i boosting. Klasterizacija - napredni algoritmi, modeli zasnovani na mešavinama i algoritam maksimizacije očekivanja (EM), grupna klasterizacija. Polunadgledani algoritmi. Skriveni Markovljevi modeli. Probabilistički grafički modeli (zaključivanje, belief propagation, praktična primena).

Predavanja, računarske vežbe (Matlab, Python), domaći zadaci, konsultacije, aktivno učenje, učenje kroz projekat i istraživanje, radionice.