Упознавање са основним принципима и техникама машинског учења. 

Студенти су оспособљени да припреме податке и формирају и верификују основне регресионе, класификационе и кластеринг моделе, уз примену релевантних библиотека отвореног кода. 

Теоријска настава

Модели вођени подацима, појам учења, надгледано и ненадгледано учење, репрезентације података, класификациони и регресиони модели, комплексност, пристрасност и варијанса модела, генерализациона грешка. Метрике перформанси модела и протоколи тестирања. Основне методе: к најближих суседа, линеарна и логистичка регресија, стабла одлучивања, случајне шуме, наивни Бајесов класификатор, неуронске мреже, потпорни вектори. Селекције атрибута: корелација, информациони добитак, PCA и SVD. Неки кластеринг алгоритми: к средина и ЕМ.    

Практична настава

Израда и верификовање регресионих и класификационих модела помоћу библиотека Pandas и Scikit-Learn.