Strojno učenje
NOSITELJ:
ŠIFRA PREDMETA:
230132
STUDIJ, SMJER:
TTI - diplomski, smjer Projektiranje i menadžment tekstila
TTI - diplomski, smjer Tekstilna kemija, materijali i ekologija
TTI - diplomski, smjer Odjevno inženjerstvo
TTI - diplomski, smjer Industrijski dizajn tekstila
TTI – diplomski, smjer Industrijski dizajn odjeće
SATNICA (P+V+S):
4 (2+2+0)
ECTS:
4
PROVJERA ZNANJA:
Parcijalni pismeni ispit, završni kolokvij vježbe, pismeni ispit
PREDUVJET ZA ISPIT:
Prethodno usvojena znanja iz područja računalstva.
OBLIK PROVOĐENJA NASTAVE:
Predavanja, vježbe, seminari
VRSTA VJEŽBI:
Auditorne, laboratorijske
ISHODI UČENJA:
Student će biti u stanju:
- Objasniti osnovne teorijske koncepte strojnog učenja, načelo rada izabranih algoritama za strojno učenje i izabrati prikladan algoritam za rješavanje danog problema
- Primijeniti algoritme strojnog učenje na praktičnim primjerima iz tekstilne i odjevne industrije te drugih inženjerskih područja korištenjem računalnog sustava Weka
- Analizirati skupove podataka i izabrati prikladne opcije računalnog programa Weka za rješavanje danog problema
- Modelirati vlastite algoritme prikladne za rješavanje danog problema nad zadanim skupom podataka korištenjem računalnog sustava Weka
- Interpretirati rezultate algoritama (učinkovitost i druge parametre) za određeni skup podataka u računalnom sustavu Weka
OKVIRNI SADRŽAJ PREDMETA:
Upoznavanje s osnovnim pojmovima strojnog učenja i kratki pregled najpopularnijih algoritama za strojno učenje. Uvod u računalne aplikacije za rješavanje problema strojnog učenja. Upoznavanje s konceptom klasifikacije, skupova za treniranje i ispitivanje, važnosti višestrukog ponavljanja eksperimenta i postupkom utvrđivanja učinkovitosti klasifikatora, upoznavanje s konceptom unakrsne validacije i interpretacije tako dobivenih rezultata. Upoznavanje s algoritmom OneR, pojmom pretreniranja, korištenjem vjerojatnosti pri izradi klasifikatora (algoritam Naivni Bayes). Iizrada stabala odlučivanja. korištenje algoritma linearne regresije. Upoznavanje s konceptom rudarenja podataka. Upoznavanje sa Experimenter sučeljem programa Weka. Diskretizacija numeričkih atributa. Uvod u jednostavne neuronske mreže, višeslojni perceptron i krivulje za učenje.
CILJ PREDMETA:
Osposobiti studente za primjenu algoritama strojnog učenja na velikim skupovima podataka korištenjem računalnog sustava Weka. Osposobiti studente za samostalno modeliranje algoritma strojnog učenja za rješavanje zadanog problema. Osposobiti studente za samostalno izvođenje zaključaka na osnovu analize rezultata algoritama i predlaganje implementacije tih zaključaka u proces odlučivanja
LITERATURA POTREBNA ZA ISPIT:
Witten, I. H., Frank, E., Hall M. A., Pal C. J.: Data Mining – Practical Machine Learning Tools and Techniques, Morgan Kaufmann, 2017, ISBN 9780128042915, https://doi.org/10.1016/B978-0-12-804291-5.00001-5.
Han, J., Kamber, M., Pei, J.: Data Mining: Concepts and Techniques, 3rd edition, Morgan Kaufmann, 2011, ISBN 978-0-12-381479-1, https://doi.org/10.1016/C2009-0-61819-5
DOPUNSKA LITERATURA:
Data Mining with Weka MOOC, dostupno na: https://www.cs.waikato.ac.nz/ml/weka/mooc/dataminingwithweka/