Курс упознаје студенте са напредним темама у области машинског учења са посебним освртом на теоријске основе напредних техника и алата за имплементацију. Обрађују се теме које се тичу специфичних савремених техника надгледаног, ненадгледаног и полунадгледаног учења,

Студенти ће научити да интерпретирају и повежу различите напредне алгоритме и приступе машинског учења. Научиће да рукују подацима, идентификују и изаберу најпогодније приступе машинском учењу, технике регуларизације, као и да надзиру процес обуке и подешавају регуларизационе параметре. Студенти ће овладати употребом програмских алата заснованих на језику Python.

Неуралне мреже: увод, архитектуре и поступци обуке, евалуација и примена. Групно учење: bagging и boosting. Кластеризација - напредни алгоритми, модели засновани на мешавинама и алгоритам максимизације очекивања (ЕМ), групна кластеризација. Полунадгледани алгоритми. Скривени Марковљеви модели. Пробабилистички графички модели (закључивање, belief propagation, практична примена).

Предавања, рачунарске вежбе (Matlab, Python), домаћи задаци, консултације, активно учење, учење кроз пројекат и истраживање, радионице.