Предмет: Технологије и алати у машинском учењу (22 - EAI003)


Основне информације

КатегоријаСтручно-апликативни
Научна областПримењене рачунарске науке и информатика
МултидисциплинарнаНе
ЕСПБ6
Матичне организационе јединице предмета

Тренутно нема података о матичним организационим јединицама предмета!
Програм предмета

Програм се примењује од 15.09.2020..

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
АуториНазивГодинаИздавачЈезик
Andriy BurkovMachine Learning Engineer2020True Positive Inc.Енглески
Aurelien GeronHands-On Machine Learning with Scikit-Learn, Keras, and Tensorflow, 2nd Edition2019O'Reilly Media Inc.Енглески
Ian H. Witten, Eibe Frank, Mark A. HallData Mining: Practical Machine Learning Tools and Techniques2011ElsevierЕнглески
Hannes Hapke and Catherine NelsonBuilding Machine Learning Pipelines2020O‘Reilly Media, Inc.Енглески
David Sweenor, Steven Hillion, Dev Kannabiran, Thomas Hill and Michael O‘ConnelML Ops: Operationalizing Data Science2020O‘Reilly Media, Inc.Енглески
Предметна активностПредиспитнаОбавезнаБрој поена
Предметни пројекатдада50.00
Домаћи задатакдада20.00
Усмени део испитанеда30.00
Име и презимеВид наставе
Недостаје слика

Ковачевић др Александар
Редовни професор

Предавања
Недостаје слика

Сливка др Јелена
Ванредни професор

Предавања
Недостаје слика

Врбашки Дуња
Доцент

Предавања
Недостаје слика

Видаковић Драган
Асистент-мастер

Рачунарске вежбе
Недостаје слика

Перић Иван
Асистент-мастер

Рачунарске вежбе
Недостаје слика

Грујић Глорија-Катарина
Асистент-мастер

Рачунарске вежбе
Недостаје слика

Прокић Симона
Асистент-мастер

Рачунарске вежбе