Табела 5.1 Спецификација предмета на студијском програму докторских студија
Назив предмета: И312 - Машинско учење |
|||||
Наставник или наставници (презиме, средње слово име): Тодоровић Т. Бранимир. |
|||||
Статус предмета: изборни |
|||||
Број ЕСПБ: 12 |
|||||
Услов: нема |
|||||
Циљ предмета Стицање теоријског знања из области машинског учења и знања потребног за софтверску имплементацијy (програмирање) алгоритама машинског учења. |
|||||
Исход предмета Теоријско знање и способност софтверске имплементације алгоритама машинског учења. |
|||||
Садржај предмета Надгледано учење; Градијентни методи, Максимизација веродостојности, Максимизација апостериорне густине, Калманов филтар; Ненадгледано учење; Кластеризација, хијерархијска кластеризација, анализа компоненти, Максимизирање очекивања; Активно учење; Учење на основу сигнала појачања. |
|||||
Препоручена литература 1. Ethem Alpaydm, Introduction to Machine Learning, The MIT Press, Cambridge, Massachusetts,2004 |
|||||
Број часова активне наставе |
Предавања: 4 |
Студијски истраживачки рад: |
|||
Методе извођења наставе На предавањима се користе класичне методе наставе уз коришћење видео пројектора и интеракцију са студентима. Знање студената се тестира преко израде домаћих задатака и колоквијума. На завршном усменом испиту се проверава свеобухватно разумевање изложеног градива. |
|||||
Оцена знања (максимални број поена 100) |
|||||
Предиспитне обавезе |
поена |
Завршни испит |
поена |
||
активност у току предавања |
5 |
писмени испит |
0 |
||
практична настава |
|
усмени испт |
50 |
||
колоквијум-и |
30 |
.......... |
|
||
домаћи задаци |
20 |
|
|
||
|
|||||
|
|||||