Упознавање са основним концептима и алгоритмима машинског учења укључујући њихове теоријске основе, анализу и практичне примене. Студенти ће имати могућност да разумеју и примене основне алгоритме надгледаног и ненадгледаног учења уз примере добре праксе и савете за примену ових алгоритама.

Студенти ће моћи да идентификују проблеме који се решавају приступима машинског учења. Умеће да интерпретирају и анализирају различите алгоритме машинског учења, имплементирају их у програмском језику Python и евалуирају њихове перформансе. Научиће да комбинују алгоритме и саставе ток обрада од поступака за предобраду података, до евалуације коришћених приступа. Стицање неопходних искустава за превазилажење проблема током примена алгоритама (тачност, рачунарски захтеви, натприлагођење, регуларизација).

Увод и основни појмови. Компоненте система машинског учења и основне врсте учења. Различите врсте проблема машинског учења. Основни концепти: функција циља, натприлагођење, регуларизација, евалуација перформанси, проблем димензионалности, валидациони поступци, компромис пристрасност/варијанса. Надгледано учење (Бајесова теорија учења, квадратни класификатори, параметарска и непараметарска естимација густине вероватноће (максимална веродостојност и Бајесова естимација, KDE, kNN), линеарна и логистичка регресија, линеарне дискриминантне функције, неуралне мреже, метод вектора носача). Ненадгледано учење (k-means, хијерархијска кластеризација), редукција димензионалности: PCA и LDA.

Предавања, рачунарске вежбе (Python и друга одговарајућа програмска окружења), домаћи задаци, консултације, активно учење, учење кроз пројекат и истраживање, радионице.