ML algoritmi

Sadržaj

Prvi deo: Osnove mašinskog učenja, podaci i prvi algoritmi

ML algoritmi predstavljaju srce mašinskog učenja: oni iz podataka uče obrasce, odnose, pravila i verovatnoće, kako bi mogli da predviđaju, klasifikuju, grupišu ili preporučuju. Prvi deo praktikuma uvodi osnovne pojmove mašinskog učenja, razliku između nadgledanog, nenadgledanog i pojačanog učenja, pripremu podataka, trening i testiranje modela, metrike, greške, overfitting, underfitting i prve algoritme kao što su linearna regresija, logistička regresija, KNN, naivni Bajes i stabla odlučivanja.

I. Uvod u mašinsko učenje i ML algoritme

1. Šta je mašinsko učenje – kako računar uči iz podataka 2. Zašto učiti ML algoritme – put od podataka do inteligentnih odluka 3. Tipovi mašinskog učenja – nadgledano, nenadgledano i pojačano učenje 4. Podaci, feature i label – šta model vidi, a šta pokušava da nauči 5. ML proces – od prikupljanja podataka do upotrebljivog modela

II. Priprema podataka, trening i evaluacija modela

6. Čišćenje podataka – nedostajuće vrednosti, duplikati i greške u skupu podataka 7. Transformacija i skaliranje podataka – priprema vrednosti za algoritme 8. Train-test split – kako odvojiti učenje od provere znanja modela 9. Overfitting i underfitting – kada model uči previše ili premalo 10. Metrike evaluacije – tačnost, preciznost, odziv, F1, MAE, MSE i RMSE

III. Regresioni algoritmi

11. Linearna regresija – predviđanje brojčanih vrednosti jednostavnom linijom 12. Višestruka regresija – više ulaznih promenljivih i složeniji odnosi 13. Polinomijalna regresija – kada odnos nije prava linija 14. Regularizacija – Ridge, Lasso i kontrola složenosti modela 15. Regresija u praksi – cene, potrošnja, opterećenje i poslovna predviđanja

IV. Klasifikacioni algoritmi

16. Logistička regresija – klasifikacija pomoću verovatnoće 17. KNN – najbliži susedi i odluke na osnovu sličnosti 18. Naivni Bajes – klasifikacija zasnovana na verovatnoći i pretpostavkama 19. SVM – granice odlučivanja i maksimalna margina između klasa 20. Klasifikacija u praksi – spam, rizik, segmenti, dijagnoze i odluke

Drugi deo: Stabla, ansambli, klasterovanje, dimenzionalnost i praktični projekti

Kada se savladaju osnovni ML algoritmi, slede modeli koji bolje rade sa složenim podacima, nelinearnim odnosima i realnim problemima. Drugi deo praktikuma vodi kroz stabla odlučivanja, random forest, gradient boosting, XGBoost ideju, klasterovanje, redukciju dimenzionalnosti, izbor osobina, validaciju modela, podešavanje hiperparametara, interpretabilnost, etiku i mini projekte. Cilj je da čitalac razume ne samo kako se algoritam pokreće, već i kada ima smisla, šta može da pogreši i kako se rezultat tumači odgovorno.

V. Stabla odlučivanja i ansambli

21. Stabla odlučivanja – pravila, grananja i razumljive odluke modela 22. Random Forest – snaga mnogih stabala i stabilnije predikcije 23. Gradient Boosting – učenje iz grešaka prethodnih modela 24. XGBoost, LightGBM i CatBoost – moderne boosting ideje u praksi 25. Ansambli u praksi – kada kombinacija modela daje bolji rezultat

VI. Nenadgledano učenje i klasterovanje

26. Nenadgledano učenje – otkrivanje strukture kada nemamo labelu 27. K-means – grupisanje podataka oko centara klastera 28. Hijerarhijsko klasterovanje – stabla sličnosti među podacima 29. DBSCAN – klasteri, gustina i prepoznavanje šuma 30. Klasterovanje u praksi – segmentacija korisnika, ponašanja i obrazaca

VII. Dimenzionalnost, izbor osobina i interpretacija modela

31. Redukcija dimenzionalnosti – kada imamo previše promenljivih 32. PCA – glavne komponente i sažimanje informacija 33. Feature selection – izbor osobina koje zaista pomažu modelu 34. Interpretabilnost modela – kako objasniti šta je model naučio 35. Etika i pristrasnost – odgovorno korišćenje ML algoritama

VIII. Praksa, validacija i mini projekti

36. Cross-validation – pouzdanija provera kvaliteta modela 37. Hyperparameter tuning – podešavanje modela bez pogađanja napamet 38. ML pipeline – povezivanje pripreme podataka, modela i evaluacije 39. Mini projekat – klasifikacija podataka od pripreme do evaluacije 40. Mini projekat – regresija, klasterovanje i poređenje ML pristupa

Zaključak: ML algoritmi kao temelj razumevanja podataka, modela i računarske inteligencije