Učni načrt predmeta

Predmet:
Strojno učenje
Course:
Machine Learning
Študijski program in stopnja /
Study programme and level
Študijska smer /
Study field
Letnik /
Academic year
Semester /
Semester
Informacijske in komunikacijske tehnologije, 3. stopnja Tehnologije znanja 1 1
Information and Communication Technologies, 3rd cycle Knowledge Technologies 1 1
Vrsta predmeta / Course type
Izbirni / Elective
Univerzitetna koda predmeta / University course code:
IKT3-915
Predavanja
Lectures
Seminar
Seminar
Vaje
Tutorial
Klinične vaje
work
Druge oblike
študija
Samost. delo
Individ. work
ECTS
30 30 210 10

*Navedena porazdelitev ur velja, če je vpisanih vsaj 15 študentov. Drugače se obseg izvedbe kontaktnih ur sorazmerno zmanjša in prenese v samostojno delo. / This distribution of hours is valid if at least 15 students are enrolled. Otherwise the contact hours are linearly reduced and transfered to individual work.

Nosilec predmeta / Course leader:
prof. dr. Nada Lavrač
Sodelavci / Lecturers:
dr. Aljaž Osojnik , doc. dr. Bernard Ženko , doc. dr. Martin Žnidaršič
Jeziki / Languages:
Predavanja / Lectures:
Slovenščina, angleščina / Slovenian, English
Vaje / Tutorial:
Pogoji za vključitev v delo oz. za opravljanje študijskih obveznosti:
Prerequisites:

Zaključen študij druge stopnje s področja informacijskih ali komunikacijskih tehnologij ali zaključen študij druge stopnje na drugih področjih z znanjem osnov s področja predmeta. Potrebna so tudi osnovna znanja matematike, računalništva in informatike.

Completed second cycle studies in information or communication technologies or completed second cycle studies in other fields with knowledge of fundamentals in the field of this course. Basic knowledge of mathematics, computer science and informatics is also requested.

Vsebina:
Content (Syllabus outline):

• Uvod v strojno učenje: osnovne in napredne naloge strojnega učenja, CRISP-DM metodologija odkrivanja zakonitosti.
• Tehnike strojnega učenja: Naivni Bayesov klasifikator, učenje odločitvenih, regresijskih in modelnih dreves, učenje klasifikacijskih in povezovalnih pravil, odkrivanje podskupin, relacijsko učenje, razvrščanje v skupine,
metoda najbližjih sosedov, napovedno razvrščanje, delno nadzorovano učenje, učenje predstavitev, logistična regresija, metoda podpornih vektorjev, umetne nevronske mreže, ansambli klasifikatorjev, aktivno učenje, razumljiva umetna inteligenca, globoko učenje.
• Hevristike in ocenjevanje rezultatov: preiskovalne hevristike, mere za ocenjevanje kvalitete naučenih vzorcev in modelov, metodologija vrednotenja rezultatov.
• Praktično usposabljanje: praktična uporaba izbranih tehnik in orodij strojnega učenja.

• Introduction to machine learning: elementary and advanced machine learning tasks, CRISP-DM knowledge discovery methodology.
• Machine learning techniques: Naive Bayesian classifier, decision, regression and model tree learning, learning classification and association
rules, subgroup discovery, relational learning, clustering, nearest neighbors approach, predictive clustering, semi-supervised learning,
representation learning, logistic regression, support vector machines, artificial neural networks, ensemble classifiers, active learning,
explainable artificial intelligence, deep learning.
• Heuristics and ML results evaluation: search heuristics, measures for estimating the quality of induced patterns and models, methodology for
results evaluation.
• Practical training: practical use of selected machine learning techniques and tools.

Temeljna literatura in viri / Readings:

Izbrana poglavja iz naslednjih knjig: / Selected chapters from the following books:
• G. James, D. Witten, T. Hastie, and R. Tibshirani (1st Edition 2013, 2nd Edition 2021) An Introduction to Statistical Learning: with Applications in R. Springer, New York (available at https://statlearning.com/), ISBN-10: 1071614177, ISBN-13: 978-1071614174.
• J. Fürnkranz, D. Gamberger, and N. Lavrač, Foundations of Rule Learning. Springer, 2012. ISBN 978-3-540-75196-0.
• C.C. Aggarwal. Data mining: The textbook, Springer, 2015. ISBN 978-3-319-14141-1.
• N. Lavrač N, V. Podpečan, and M. Robnik-Šikonja (2021) Representation Learning: Propositionalization and Embeddings. Springer, Berlin. ISBN: 978-3-030-68817-2.
• J. Witten, E. Frank, M.A. Hall, C.J. Pal: Data Mining: Practical Machine Learning Tools and Techniques , 4th Edition, 2017. ISBN 978-012804291-5.
• S. Russell, P. Norvig (2010) Artificial Intelligence: A Modern Approach (3rd Edition), Prentice Hall, ISBN-10: 0136042597, ISBN-13: 978-0136042594.

Cilji in kompetence:
Objectives and competences:

Strojno učenje je najpomembnejše področje umetne inteligence, katerega cilj je avtomatska konstrukcija klasifikacijskih modelov in odkrivanje vzorcev v podatkih.

Cilji predmeta so predstaviti osnovne in napredne tehnike strojnega učenja ter metodologijo za ocenjevanja rezultatov strojnega učenja.

Študenti bodo obvladali osnovne in napredne tehnike strojnega učenja in bodo usposobljeni za praktično uporabo izbranih orodij strojnega učenja
in metod za evalvacijo rezultatov.

Machine learning is the most important area of artificial intelligence, whose goal is automated construction of classification models and pattern
discovery from data.

The course objectives are to present the basic and advanced machine learning techniques, and the methodology for machine learning results
evaluation.

The students will master the basic and advanced machine learning techniques, and will be capable of using selected machine learning tools and results evaluation methods in practice.

Predvideni študijski rezultati:
Intendeded learning outcomes:

Obvladana uporaba izbranih metod in tehnik strojnega učenja, usposobljenost za praktično uporabo izbranih orodij strojnega učenja, usposobljenost za uporabo in interpretacijo metod za evalvacijo rezultatov.

Mastering of selected machine learning methods and techniques, the capability of practical use of selected machine learning techniques, and the
capability of using and interpreting the methods for result evaluation.

Metode poučevanja in učenja:
Learning and teaching methods:

Predavanja, seminar, konzultacije, individualno delo

Lectures, seminar, consultancy, individual work

Načini ocenjevanja:
Delež v % / Weight in %
Assesment:
Pisni izpit
40
Written exam
Seminarska naloga
30
Seminar work
Ustni zagovor seminarske naloge
30
Oral defense of the seminar work
Reference nosilca / Lecturer's references:
1. Škvorc, T., Lavrač, N., Robnik Šikonja, M. NeSyChair: Automatic conference scheduling combining neuro-symbolic representations and constrained clustering. IEEE access. Vol. 10, 2022, str. 10880-10897. ISSN 2169-3536 .
2. Škrlj, B., Džeroski, S., Lavra, N., Petković, M. ReliefE: feature ranking in high dimensional spaces via manifold embeddings. Machine learning. Vol. 111, no. 11, 2022, str. 273-317, - ISSN 0885-6125.
3. Škrlj, B., Martinc, M., Lavrač, N., Pollak, S. autoBOT : Evolving neuro-symbolic representations for explainable low resource text classifcation. Machine learning, Volume 110, 2021, str. 989–1028. ISSN 0885-6125
4. Lavrač, N., Podpečan, V., Robnik-Šikonja, M. Propositionalization and embeddings : two sides of the same coin. Machine learning, Vol. 109, no. 7, 2020, str. 1465-1507, ISSN 0885-6125.
5. N. Lavrač, V. Podpečan, and M. Robnik-Šikonja: Representation Learning: Propositionalization and Embeddings. Springer, 2021. ISBN 978-3-030-68817-2.