Оспособљавање студента за практичну примену техника, метода и алата за одговарајуће процесе рада у машинском учењу (Machine Learning Workflows).

Студент је упознат са процесима рада у машинском учењу (Machine Learning Workflows). Студент је обучен да креира процесе рада машинског учења и да употребљава одговарајуће технике, окружења и алате за њихову подршку.

Акценат предмета је на новој парадигми у развоју софтвера у којој се проблеми решавају помоћу машинског учења и где је акценат на формирању скупа података, уместо на писању софтверског кода (Software 2.0). Предмет ће представити алате и окружења за подршку следећих процеса рада у машинском учењу (Machine Learning Workflows): (1) Прикупљање захтева (2) Прикупљање података (3) Чишћење података (4) Означавање података (5) Инжењеринг карактеристика (6) Тренирање модела (7) Евалуација модела (8) Примена модела (9) Мониторинг модела. Аутоматизована, процесно-оријентисана (DataOps) методологија за побољшање квалитета и минимизацију трајања циклуса анализе података. Примена модела машинског учења у BigData сценаријима. Рачунарске и лабораторијске вежбе које прате овај курс су осмишљене на такав начин да кроз практичан рад са постојећим софтверским алатима за тренинг стандардних предиктивних модела машинког и дубоког учења (Scikit-Learn, Keras/TensorFlow ), практично примене теоријске концепте који ће бити обрађивани на предавањима. Неизоставни део предмета је самостални студентски пројекат, где је идеја да студент самостално, уз консултације са предавачима, одабере проблем из области машинског учења на коме ће демонстрирати целокупан процес рада у машинском учењу. По завршетку пројекта, студент презентује своје истраживање у оквиру извештаја.

Предавања се изводе уз пратеће презентације. Праћена су рачунарским вежбама које ће се ослањати на програмски језик Python и друга одговарајућа програмска окружења. Активно учење кроз пројекат и истраживање релевантних научних публикација уз редовне консултације. Рад на реалним проблемима из области машинског учења