Зимски семестар школске 2023./2024. године
- наставник: Владимир М. Миловановић
Одбрана студентских пројеката за студенте који су испит из Основа машинског учења пријавили у јунском испитном року биће одржана у четвртак 20. јуна 2024. године од 17:30 часова у рачунарској учионици Д-66.
Студентски предлози пројеката из предмета Основи машинског учења одржани су у четвртак 25. јануара 2024. године с почетком у 14:30 у рачунарској учионици Д-66.
Резултати домаћих задатака Титаник и Цена кућа.
Предавања и вежбе из Основа машинског учења у понедељак 8. јануара 2024. године неће бити одржани због поштовања препоруке Владе Републике Србије да други дан Божића буде нерадан.
Предавања и вежбе из Основа машинског учења у понедељак 4. децембра 2023. године нису одржани због одсуства предметног наставника.
Настава из Основа машинског учења у школској 2023/24. години почела је у понедељак 25. септембра 2023. године.
- предавања и вежбе (В. Миловановић): понедељком од 14:15 до 19:00 у сали 216
Белешке и слајдови за предавања
- Уводно предавање - слајдови: CS229L1 пролеће 2022. и CS229L1 пролеће 2023.
- Математичка предспрема:
- Програмерска предспрема:
- кратак преглед програмског језика Python и библиотека Numpy и matplotlib: cs229 слајдови и cs229 материјали
- CS229L2 - пролеће 2023.
- CS229L3 - пролеће 2023.
- CS229L4 - пролеће 2023.
- CS229L8 - пролеће 2022. - Draft / Template / Notes
- CS229L11 - пролеће 2022. / пролеће 2023.
- CS229L12 - пролеће 2023.
- CS229L13 - пролеће 2023.
- CS229L14 - пролеће 2023.
Белешке
* [ML белешке 1](./notes/ML-notes1.pdf) * [ML белешке 2](./notes/ML-notes2.pdf) * [ML белешке 3](./notes/ML-notes3.pdf) * [ML белешке 4](./notes/ML-notes4.pdf) * [ML белешке 5](./notes/ML-notes5.pdf) * [анализа грешака](./notes/error-analysis.pdf) * [ML белешке со](./notes/ML-notes-dt.pdf) * [ML белешке ансамбл](./notes/ML-notes-ensemble.pdf) * [ML белешке ду](./notes/ML-notes-ensemble.pdf) * [ML белешке 6](./notes/ML-notes7a.pdf) * [ML белешке 7](./notes/ML-notes7b.pdf) * [ML белешке 8](./notes/ML-notes8.pdf) * [ML белешке 9](./notes/ML-notes9.pdf) * [ML белешке 10](./notes/ML-notes10.pdf) * [ML белешке 11](./notes/ML-notes11.pdf) * [ML белешке 12](./notes/ML-notes12.pdf) * [ML белешке 13](./notes/ML-notes13.pdf) * [ML белешке 14](./notes/ML-notes14.pdf)Решења домаћих задатака шаљу се преко факултетског Moodle-а, уколико није другачије речено, при чему обавезно пре назначеног рока.
- први домаћи задатак
- други домаћи задатак
- трећи домаћи задатак
- четврти домаћи задатак
- пети домаћи задатак
- шести домаћи задатак
- седми домаћи задатак
Домаћи задаци за школску 2023/24. годину.
Скрипта на српском језику:
- Младен Николић и Анђелка Зечевић, Машинско учење, Математички факултет у Београду, 2019.
Скрипте на енглеском језику:
- Andrew Ng и Tengyu Ma, CS229: Machine Learning - Lecture Notes, Stanford University, 2023.
- MIT 6.390: Introduction to Machine Learning - Lecture Notes, 2022.
Уџбеник на српском језику:
- Предраг Јаничић и Младен Николић, Вештачка интелигенција, Математички факултет у Београду, 2023.
На енглеском:
- Stanford & DeepLearning.AI: Supervised Machine Learning: Regression and Classification + слајдови
- Stanford: CS229 - јесен 2018.
- Stanford: CS229 - лето 2019.
- Stanford: CS229 - пролеће 2022.
- MIT: 6.036 - јесен 2020.
На енглеском:
- Imperial College London: Mathematics for Machine Learning - Linear Algebra
- Imperial College London: Mathematics for Machine Learning - Multivariate Calculus
- Harvard: Stat 110 - Statistics 110: Probability
- Stanford CS109: Probability for Computer Scientists - јесен 2022.
На енглеском:
- Huawei ICT Academy: Machine Learning Fundamentals - уписни код: nimMkC - 5 поена
- званична сертификација HCIA-AI
- DeepLearning.AI - Machine Learning Specialization | Coursera
- Machine Learning by Stanford University | Coursera
- MIT Open Learning Library - Introduction to Machine Learning 6.036
На енглеском:
- DeepLearning.AI - Mathematics for Machine Learning and Data Science Specialization | Coursera
- Imperial College London - Mathematics for Machine Learning Specialization | Coursera
- HarvardX - STAT110x: Introduction to Probability
- Titanic - Machine Learning from Disaster
- House Prices - Advanced Regression Techniques
- Spaceship Titanic
- Digit Recognizer
У оквиру овог предмета бодују се семинарски радови као бонус поени. За више информација можете погледати страницу о семинарским радовима.
- предиспитне обавезе: 70 поена
- испит: 30 поена
Предиспитне обавезе се састоје од:
- домаћих задатака - укупно 60 поена
- предлога завршног пројекта (презентација од 5 до 10 минута) - 10 поена
- евентуалних додатних поена (семинарски радови, Huawei/HCIA-AI, итд.)
Испит се полаже у виду завршног пројекта који се ради појединачно, у пару или највише у групи од три студента.
Одбрана пројекта се састоји од презентације у трајању од највише двадесет минута, као и одговарајуће документације. Такође, целокупан пројекат, заједно са презентацијом и документацијом у виду завршног извештаја која садржи и упутство како се пројекат покреће неопходно је поставити у одређени јавни GitHub или GitLab репозиторијум пре саме одбране.
Оцена (100 поена): испит (50 поена) + ПИО (50 поена)
- 5: од 0 до 50 поена
- 6: од 51 до 60 поена
- 7: од 61 до 70 поена
- 8: од 71 до 80 поена
- 9: од 81 до 90 поена
- 10: од 91 до 100 поена