Mašinsko učenje

SADRŽAJ

1 Osnovni koncepti mašinskog učenja, 1Kognitivni procesi u ljudskom mozgu, 6
Osnovni pojmovi mašinskog učenja, 9
Istorijski razvoj mašinskog učenja, 14
Organizacija poglavlja knjiga, 17

2 Regresija, 19Osnovne osobine regresione analize, 19
Opšti postupak određivanja regresione funkcije, 24
Iterativne metode regresije, 30
Neiterativne metode regresije, 53
Implementacija regresionih funkcija, 57
Validacija regresionih funkcija, 69
Zaključak, 71

3 Klasifikacija, 75Osnovne osobine algoritama za klasifikaciju, 75
Logistička regresija, 91
Analiza mašinskog učenja logističkom regresijom, 102
Bajesov klasifikator, 111
Klasifikacija na osnovu k najbližih susjeda, 121
Klasifikaciono stablo odlučivanja, 127
Šuma nasumičnih stabala, 147
Pojačavanje klasifikacionih algoritama, 151
Zaključak, 163

4 Grupisanje, 169Osnovne osobine algoritama za grupisanje, 169
Mjere sličnosti tačaka i priprema vrijednosti, 172
Algoritmi za hijerarhijsko grupisanje, 174
Algoritmi bazirani na centroidima, 189
Algoritmi bazirani na gustini tačaka, 200
Algoritmi bazirani na modelu, 208
Validacija algoritama za grupisanje, 213
Zaključak, 218

5 Neuronskemreže, 224Ljudski mozak, 225
Vještački neuron, 228
Topologije neuronskih mreža, 232
Obučavanje neuronskih mreža, 233
Perceptron i Adaline, 235
Propagacija greške unazad, 241

6 Potporni vektori, 255Klasifikator na bazi granične hiperpovrši, 256
Klasifikator na bazi potpornih vektora, 269
Mašina potpornih vektora, 272

7 Redukcija broja dimenzija, 279Transformacija skupa deskriptora, 280
Selekcija deskriptora, 289

8 Učenje podsticajem, 296Osnovne osobine učenja podsticajem, 296
Definicija učenja podsticajem, 300
Q-učenje, 302
Duboko Q-učenje, 314
Zaključak,318