1. komponenta

Vrsta nastave	Ukupno
Predavanja	45
Auditorne vježbe	30

* Opterećenje je izraženo u školskim satima (1 školski sat = 45 minuta)

CILJ KOLEGIJA:
Studente upoznati sa:
- problemom nadziranog/nenadziranog učenja;
- osnovnim algoritmima strojnog učenja te ih naučiti kako ih riješiti numeričkom optimizacijom;
- teorijskom pozadinom ovih algoritama koristeći okvir teorije statističkog učenja.

NASTAVNI SADRŽAJI:
1. Koncepti: odnos između pristranosti i varijance, procjena greške generalizacije, odabir varijabli i modela, unakrsna validacija, bootstrap, regularizacija, optimizacija za strojno učenje
2. Metode nadziranog učenja: linearni model, penalizirani linearni modeli, lokalne metode, generalizirani linearni i aditivni modeli, metode bazirane na stablima odlučivanja, osnovne metode klasifikacije, SVM, neuronske mreže.
3. Metode nenadziranog učenja: analiza glavnih komponenti, klastering metode.

1. The Elements of Statistical Learning: Data Mining, Inference and Prediction, T. Hastie, R. Tibshirani, and J. Friedman, Springer, 2009.
2. Deep learning, I. Goodfellow, Y. Bengio, A. Courville, MIT press, 2016.
3. Learning theory from first principles, F. Bach, MIT press, 2024.
4. All of Statistics: A Concise Course in Statistical Inference, L. Wasserman, Springer, 2004.
5. Mathematics for Machine Learning, M. P. Deisenroth, A. A. Faisal, C. S. Ong, Cambridge University Press, 2020.
6. Pattern Recognition and Machine Learning, C. Bishop, Springer, 2007.
7. Machine Learning: a Probabilistic Perspective, K. Murphy, MIT, 2012.

Izborni predmet 1, 2, 3 - Redovni Studij - Matematička statistika

Izborni predmet 1, 2, 3 - Redovni Studij - Matematička statistika

Izborni predmet 4, 5, 6, 7 - Redovni Studij - Matematička statistika

Izborni predmet 4, 5, 6, 7 - Redovni Studij - Matematička statistika