Image for
Naslovnica

Napredno strojno učenje

  • Predavanje 30
  • Vježbe 30
  • Samostalni rad 120
Ukupno 180

Naziv predmeta

Napredno strojno učenje

Oznaka predmeta

21-02-530

Semestar

3

ECTS

6

Sadržaj i cilj

Ciljevi ovog modula su omogućiti studentima da:
• Interpretiraju definiciju niza modela neuronske mreže.
• Nauče derivirati i implementirati algoritme za optimizaciju ovih modela
• Interpretiraju implementacije neuronske mreže kod mehanizama pažnje i modela ugradnje sekvenci i kako se te modularne komponente mogu kombinirati za izgradnju najmodernijih NLP sustava
• Znaju primijeniti i procijeniti uobičajene modele neuronskih mreža za jezik
• Tumače postupak odabira modela kako bi opisali određenu vrstu podataka
• Procijene naučeni model u praksi
• Tumače matematiku potrebnu za konstrukciju novih rješenja za strojno učenje
• Budu sposobni dizajnirati i implementirati razne algoritme strojnog učenja u niz stvarnih aplikacija

Studenti uče izrađivati i održavati modele strojnog učenja, uključujući modele dubokog učenja, danas najvažniju metodu strojnog učenja koja se koristi u najbitnijim svjetskim proizvodnim sustavima za različite zadatke. Kroz ovaj modul studenti će steći i primijeniti osnovne tehnike dubokog učenja na primjerima iz obrade prirodnog jezika poput strojnog prevođenja, analize sentimenta i prepoznavanja imenovanih entiteta. Također, modul će se baviti dubokim i nagrađivanim učenjem.

Važno je da studenti pohađaju ovaj modul kako bi im se omogućilo bolje razumijevanje matematike i algoritama duboke neuronske arhitekture i dubokog učenja, kao i stjecanje praktičnih znanja za provedbu dubokog učenja. Studenti će steći vještine dizajniranja duboke arhitekture u TensorFlowu, kao i ručno izrađenih dubokih neuronskih mreža koje se kasnije mogu implementirati u bilo kojem programskom jeziku.

Literatura

Obvezna literatura:
1. Skansi, S. (2018) Introduction to Deep Learning, Cham: Springer International Publishing,

Preporučena literatura:
2. Goodfellow, I., Bengio, Y., Courville, A. (2016) Deep Learning (Adaptive Computation and Machine Learning series), Cambridge: MIT Press, available at https://arxiv.org/abs/1609.08144

Minimalni ishodi učenja

  • Definirati korake u najčešćim osnovnim algoritmima dubokog učenja.
  • Objasniti promjene u informacijama tijekom prolaska kroz umjetni neuron.
  • Objasniti utjecaj različitih komponenata dubokih neuronskih arhitektura.
  • Opisati korake u odabranom projektu koji se temelji na arhitekturi dubokog učenja za određeni poslovni problem.

Željeni ishodi učenja

  • Obrazložiti način funkcioniranja osnovnih algoritama dubokog učenja.
  • Kritički prosuditi promjene u informacijama tijekom prolaska kroz umjetni neuron.
  • Procijeniti utjecaj različitih komponenata dubokih neuronskih arhitektura.
  • Primijeniti odabranu arhitekturu dubokog učenja na probleme.
Preuzmi vodič za studente
Podijeli: Facebook Twitter