Vrsta predmeta: obvezni modulski
Nosilec predmeta: doc. dr. Jure Žabkar

Za podrobnejšo časovno razporeditev glej predmetnik.

Pogoji za vključitev v delo oz. za opravljanje študijskih obveznosti:

• Vpis v prvi letnik študija.

Vsebina:

Napovedovanje: klasifikacijska in regresijska drevesa, logistična regresija, naivni Bayesov klasifikator, LDA/QDA, metoda najbližjih sosedov, ocene prileganja modela.

Nenadzorovano strojno učenje: gručenje (hierarhično, k-voditeljev)

Izbira spremenljivk in modelov: prečno preverjanje, metoda bootstrap, metode filter in wrapper.
Napredno napovedovanje: regularizacija, posplošeni aditivni modeli, lokalna regresija.

Združevanje modelov: bagging, boosting, naključni gozdovi, učenje z ansamblom modelov.

Metoda podpornih vektorjev: za regresijo, za klasifikacijo, optimizacija.

Nevronske mreže: učenje nevronskih mrež, preveliko prileganje in drugi računski izzivi.

Cilji in kompetence:
Obravnavane metode predstavljajo temeljno znanje pri problemih napovedovanja, gručenja in drugih nalogah kvantitativne analize podatkov. Poznavanje teh metod je ključno za uporabo strojnega učenja v praksi in spoznavanje naprednejših metod strojnega učenja. Predmet je pomemben tudi za statistike, ki se ne bodo neposredno ukvarjali s strojnim učenjem, saj jim nudi nabor novih orodij za analizo podatkov.

Predvideni študijski rezultati:

Znanje in razumevanje: Razumevanje osnovnih pojmov strojnega učenja.

Uporaba: Klasični pristopi v strojnem učenju so nepogrešljivi pri sodobni analizi podatkov in predstavljajo temelj, na katerem lahko zgradimo razumevanje naprednih pristopov v strojnem učenju.

Refleksija: Razumevanje teorije na podlagi primerov uporabe. Razumevanje povezav med strojnim učenjem in statistiko.

Prenosljive spretnosti: Sposobnost analitičnega razmišljanja in reševanja praktičnih problemov analize podatkov.