Classic ML, uvod u Deep Learning

O kursu

Kurs gradi sveobuhvatno razumevanje mašinskog učenja — od regresije i SVM do konvolutivnih i rekurentnih mreža. Posebna pažnja se posvećuje teoriji generalizacije, bias-variance tradeoff-u i pravilnoj validaciji modela. Kurs stvara zajednički jezik i osnovu za eksperimente za sve naredne discipline programa.

Šta ćete naučiti

✓Da gradite i validirate klasične ML modele uz obrazložen izbor hiperparametara

✓Da implementirate neuronske mreže od nule, razumejući ulogu svake komponente obučavanja

✓Da dijagnostikujete underfitting i overfitting i primenjujete odgovarajuće tehnike regularizacije

✓Da upoređujete algoritme prema teorijskim i empirijskim svojstvima generalizacije

Ključne teme

•Linearna i logistička regresija; regularizacija (Ridge, Lasso, ElasticNet)

•Metrike kvaliteta: klasifikacija, regresija, rangiranje

•Stabla odlučivanja, ansambl metode (Random Forest, Gradient Boosting)

•SVM i kernel metode

•Teorija generalizacije: VC-dimenzija, PAC-učenje

•Propagacija greške unazad (backprop) i automatsko diferenciranje

•Konvolutivne neuronske mreže (CNN): arhitekture, pooling, transfer learning

•Rekurentne mreže (RNN, LSTM, GRU)

•Normalizacija (Batch Norm, Layer Norm), Dropout, rano zaustavljanje

Opis je automatski generisan i predavač ga još nije proverio — ovo je nacrt za diskusiju.

O kursu

Šta ćete naučiti

Ključne teme

Povratne informacije