Mašinsko učenje (13M051MU)
| Predmet | Status | Broj časova (P+V+L) | Krediti |
| I | 3+1+0 | 6 | |
| Predavanja - Predrag Tadić | |||
| Vežbe - Predrag Tadić | |||
MU - Obaveštenja
Sva obaveštenja u vezi sa predmetom biće objavljivana u okviru tima „13M051MU 2026/27” na platformi Microsoft Teams. Za pristup timu koristite kod hkfblcf, koji je potrebno uneti putem opcije „Join a team with a code”.
- 17.10.2026. Na sledećim linkovima možete preuzeti prezentaciju i snimke od pre nekoliko godina: prezentacija, snimak-1, snimak-2, snimak-3, snimak-4. Ovaj materijal je pokriven na predavanjima 6.X.
- 06.10.2026. Predavanja počinju u utorak 6.X u 17:15h u sali 311, prema zvaničnom rasporedu.
MU - Materijali
Osnovne informacije o predmetu
Primer ispita (Januar 2018)
Predavanja
01 Linearna regresija [1]
02 Logistička regresija [1]
03 Generalizovani linearni modeli [1]
04 Generativni algoritmi [1]
05 Metoda nosećih vektora (Support Vector Machine) [1]
06 Teorija učenja [1]
07 Regularizacija i izbor modela [1]
08 Ansambl metode [2, 3, 4],
Boosting prezentacija
09 Učenje podsticanjem (ovo gradivo više nije deo kurikuluma)
Preporučena literatura
- Andrew Ng, John Duchi, "Machine Learning - Lecture notes" (link)
- Christopher Bishop, "Pattern Recognition and Machine Learning", Springer, 2006
- Stuart Russel, Peter Norvig, "Artificial Intelligence: A Modern Approach", Pearson, 2010
- Zico Kolter, Chuong Do, "Linear Algebra Review and Reference" (Stanford CS229 notes, link)
- Arian Maleki, Honglin Yuan, Tengyu Ma, "Probability Theory Review and Reference" (Stanford CS229 notes, link)
- M.P. Deisenroth, A.A. Faisal, C.S. Ong, "Mathematics for Machine Learning" (link)
Primeri
Najjednostavniji način da pokrenete ove primere jeste da ih kopirate na svoj Google Drive i da ih otvorite u Colab-u (desni klik, Open with > Colaboratory). Alternativa: Jupyter Notebook.
13M051MU