Kurs i obuka – Mašinsko učenje

Kurs je namenjen analitičarima, programerima i polaznicima koji žele da razvijaju modele na strukturiranim podacima. Stečene veštine mogu biti korisne u poslovnoj analitici, finansijama, marketing analitici, logistici i IT sektoru.

Preporučeno prethodno znanje: Osnove Pythona, statistike i rada sa podacima.

Tokom nastave polaznik će kroz praktičan rad učiti da:

• uvod u ML i tok rada – Nadzirano/nenadzirano učenje; vrste problema; radno okruženje Python, pandas, scikit-learn.
• priprema podataka – Nedostajuće vrednosti, kodiranje kategorija, skaliranje, train/validation/test i curenje podataka.
• regresija i klasifikacija – Linearna i logistička regresija; stabla odluke; ansambli; osnovni hiperparametri.
• evaluacija i izbor modela – MAE/RMSE, precision, recall, F1, ROC-AUC; unakrsna validacija i neuravnoteženi podaci.
• nenadzirano učenje i interpretacija – K-means, PCA; pregled karakteristika; objašnjivost i pristrasnost.
• završni ML projekat – Dokumentovanje hipoteze, eksperimenta, modela, ograničenja i narednih koraka.

Znanja iz oblasti „Mašinsko učenje“ mogu pomoći da se konkretnije pristupi zadacima kao što su pripremu skupova podataka, treniranje modela regresije i klasifikacije i merenje kvaliteta predviđanja. Njihova vrednost je u pravilnom izboru postupka, jasnom dokumentovanju rada i proveri dobijenih rezultata.

Program polaznicima daje osnovu za samostalan razvoj jednostavnijih modela, ne zamenjuje iskustvo potrebno za složene produkcione sisteme.

Obuka se organizuje kao individualna nastava (1 polaznik) u trajanju od 36 školskih časova, mikro grupa (2–3 polaznika) u trajanju od 36 školskih časova ili standardna grupna nastava (4 i više polaznika) u trajanju od 44 školskih časova.

Nastava se može realizovati uživo u prostorijama Akademije Oxford ili online, prema odabranom modelu. U grupnoj nastavi predviđeno je više vremena za dodatne vežbe, diskusiju i zajedničku proveru rezultata.

Po završetku obuke polaznik će moći da sprovede osnovni radni postupak iz oblasti „Mašinsko učenje“, primeni obrađene alate na zadati primer, proveri dobijene rezultate i predstavi praktično rešenje. Nivo samostalnosti zavisi od prethodnog znanja i složenosti konkretnog zadatka.

1. Uvod u ML i tok rada – Nadzirano/nenadzirano učenje; vrste problema; radno okruženje Python, pandas, scikit-learn. Praktičan rad: Postaviti problem predviđanja i analizirati skup podataka.
2. Priprema podataka – Nedostajuće vrednosti, kodiranje kategorija, skaliranje, train/validation/test i curenje podataka. Praktičan rad: Sastaviti reproduktibilan preprocessing pipeline.
3. Regresija i klasifikacija – Linearna i logistička regresija; stabla odluke; ansambli; osnovni hiperparametri. Praktičan rad: Uporediti najmanje dva klasifikatora na istom skupu.
4. Evaluacija i izbor modela – MAE/RMSE, precision, recall, F1, ROC-AUC; unakrsna validacija i neuravnoteženi podaci. Praktičan rad: Odabrati metriku prema poslovnoj ceni greške.
5. Nenadzirano učenje i interpretacija – K-means, PCA; pregled karakteristika; objašnjivost i pristrasnost. Praktičan rad: Segmentirati uzorke i interpretirati rezultate.
6. Završni ML projekat – Dokumentovanje hipoteze, eksperimenta, modela, ograničenja i narednih koraka. Praktičan rad: Predati notebook, rezultate i kratko izlaganje.