Sadržaj se učitava...
mdi-home Početna mdi-account-multiple Djelatnici mdi-script Studiji mdi-layers Katedre mdi-calendar-clock Raspored sati FOI Nastava search apps mdi-login
Strojno učenje i inteligentni sustavi
Machine learning and intelligent systems
2025/2026
5 ECTSa
Organizacija poslovnih sustava 1.4 (OPS)
Informatika u obrazovanju 1.4 (IUO)
Informacijsko i programsko inženjerstvo 1.4 (IPI)
Baze podataka i baze znanja 1.4 (BPBZ)
Katedra za razvoj informacijskih sustava
UP
3. semestar
 Osnovne informacijemdi-information-variant Izvođači nastavemdi-account-group Nastavni plan i programmdi-clipboard-text-outline Model praćenjamdi-human-male-board Ispitni rokovimdi-clipboard-check-outline Rasporedmdi-calendar-clock Konzultacijemdi-account-voice
Izvođenje kolegija
Studij Studijski program Semestar Obavezan
Organizacija poslovnih sustava 1.4 (OPS) 3 izborni
Informatika u obrazovanju 1.4 (IUO) 3 izborni
Informacijsko i programsko inženjerstvo 1.4 (IPI) 3 izborni
Baze podataka i baze znanja 1.4 (BPBZ) 3 obavezan
Cilj kolegija
Kroz ovaj kolegij treba se stvoriti čvrsto teorijsko znanja metoda strojnog učenja i tehnologije inteligentnih sustava. Naglasak se daje na stjecanja kompetencije za praktičnu primjenu teorijskog znanja za rješavanje složenih problema. To se postiže primjenom najkvalitetnijh programskih alata na području inteligentnih sustava, korištenjem ilustrativnih primjera iz prakse i primjenom složenih tehnika i metoda, koje su dobro opisane teorijski na predavanjima i prisutne u programskim alatima.
Preduvjeti
Kolegij nema definirane preduvjete
Norma kolegija
Predavanja
 30 sati
Vježbe u praktikumu
 30 sati
Nastavnik Uloga na kolegiju Oblik nastave Tjedana Sati Grupa
Dobša Jasminka Nositelj
Oreški Dijana Nositelj Predavanja 10 3 1
Buhin Pandur Maja Suradnik Vježbe u praktikumu 5 3 4
Višnjić Dunja Suradnik
Pokos Lukinec Marija Suradnik Vježbe u praktikumu 5 3 4
Sadržaj predavanja
  • Uvod (3 h)
    Pregled razvoja i taksonomija strojnog učenja i inteligentnih sustava, algoritama, metoda i arhitektura. Moderne metode za razvoj inteligentnih sustava. Standardi za razvoj prediktivnih modela (CRISP-DM) i standardi za razvoj inteligentnih sustava (SDT).
  • Formalni modeli traženja i heuristike; genetski algoritmi (3 h)
    Jednostavne metode traženja stabala: najprije u dubinu, u širinu i iterativno produbljivanje. Heurističko traženje. Parcijalno traženje. Formalni modeli ulančavanje unaprijed i unatrag, hibridni pristupci. Objašnjavanje zaključivanja. Algoritmi optimizacije. Izlaz iz lokalnog ekstrema. Genetski algoritmi: uvod, reprezentacija problema, opis algoritama, operacije: selekcija, križanje, mutacija. Tipičan primjer primjene genetskog algoritma, praćenje odvijanja i utjecaj varijacije parametara. Koraci primjene genetskih algoriama. Računalni resursi za provođenje. Varijante genetskih algoritama. Usporedba s ostalim paradigmama.
  • Nesigurnost (3 h)
    Definicija neizrazitih skupova. Neizrazita logika. Opis neizrazite logike i usporedba s klasičnom logikom. Proces neizrazitog zaključivanja: fuzifikacija, neizrazita pravila, defuzifikacija. Koraci razvoja neizrazitih sustava. Uloga neizrazite logike u razvoju inteligentnih sustava.
  • Nadgledano (engl. supervised) i nenadgledano učenje (engl. unsupervised) (3 h)
    Regresija i klasifikacija. Klastering. Otkrivanje latentnih faktora u podacima. Parametarski i neparametarski modeli. Snižavanje dimenzionalnosti prostora. Izbor značajki i ekstrakcija značajki. Pretreniranost (engl. overfitting). Izbor modela. Mjere vrednovanja klasifikacije temeljene na matrici zabune (točnost, preciznost, odaziv, osjetljivost, F-mjera). Mjere vrednovanja klasteringa.
  • Linerna i logistička regresija (3 h)
    Specifikacija modela linerane regresije. Procjena najveće izglednosti za regresiju, metoda najmanjih kvadrata. Regularizacija. Ridgeova regresija. Specifikacija modela logističke regresije. Procjena maksimalne vjerodostojnosti. Newtonova metoda.
  • Bayesovo učenje (3 h)
    Uvjetna vjerojatnost i Bayesov teorem. nezavisnost složenih događaja i slučajnih varijabli. Bayesove mreže. Učenje strukture Bayesovih mreža. Bayesov optimalni klasifikatoor. Gibbsov algoritam. Naivni Bayesov klasifikator.
  • Stablo odlučivanja (3 h)
    Učenje stabala odlučivanja: tehnike ID3, C4.5, CART, CHAID. Metrike: informacijska dobit, GINI indeks, redukcija varijance. Zaključivanje temeljeno na slučajevima. Metode sastava: Boosted trees, Bootstrap, Random forest. Transfer učenje.
  • Učenje bazirano na primjerima i statističko učenje (3 h)
    Klasifikator najbližih susjeda (knn algoritam). Metoda potpornih vektora (eng. support vector machines) za regresiju i za klasifikaciju. Jezgrene funkcije (RBF, Mercerove jezgre, linearne jezgre, string jezgre.
  • Neuronske mreže (3 h)
    Neuronske mreže: prirodni i umjetni neuroni. Model učenja neuronske mreže tipa širenje unatrag. Nadgledano učenje (perceptroni, jednoslojni i višeslojni), radijalni neuroni, , rekurentne mreže. Modeli neuronskih mreža za nenadgledano učenje. Pregled algoritama neuronskih mreža: mreža sa širenjem unatrag, vjerojatnosna mreža, učeće vektorske kvantizacije. Duboko učenje i algoritmi. Klasa domena primjene s primjerima.
  • Recentna istraživanja i problemi (3 h)
    Pregled trenutačnih znanstvenih problema, projekata i istraživanja, te stanja primjene strojnog učenja i inteligentnih sustava. Utjecaji na društvo i gospodarstvo, sigurnost, privatnost i etičnost.
 Sadržaj seminara/vježbi
  • Vježbe: Tehnike ulančavanja i traženja
    Tehnike pretraživanja prostora stanja. Heurističko pretraživanje. Ulančavanje unaprijed – prednosti i nedostaci, primjer. Ulančavanje unatrag – prednosti i nedostaci, primjer. Kombinirano ulančavanje – prednosti i nedostaci, primjer. Usporedba ulančavanja.
  • Genetski algoritmi I
    Uvod u teoriju genetskih algoritama. Osnovni pojmovi - kromosomi, geni, genotip, generacija, funkcija prilagođenosti (fitness), reprodukcija, križanje, mutacija. Koraci u primjeni genetičkih algoritama – prikaz mogućih rješenja problema preko kromosoma, stvaranje više generacija kromosoma, učinkovitost kromosoma, slučajni odabir i križanje. Analiza jednostavnog primjera upotrebe genetskih algoritama. Računski zadaci. Izrada programskog primjera genetskih algoritama - XpertRule Knowledge Builder. Određivanje varijabli. Definiranje atributa. Izrada procedura. Povezivanje varijabli i genetskih algoritama preko procedura. Izrada stabla odlučivanja. Optimalizacija. Rješavanje programskih zadataka.
  • Genetski algoritmi II
    Optimizacija genetskim algoritmima. Izrada složenog programskog primjera – XpertRule Knowledge Builder. Parametri koji utječu na genetske algoritme – kromosomi, broj jedinki, broj generacija, funkcija prilagođenosti, vjerojatnost križanja, vjerojatnost mutacije. Analiza utjecaja pojedinih parametara optimizacije na rezultat. Rješavanje programskih zadataka.
  • Nesigurnost - Bayesove mreže
    Bayesov teorem. Vjerojatnosni pristup sigurnosti. Mjere vjerovanja – karakteristike. Rješavanje zadataka.
  • Faktori sigurnosti
    Pojam nesigurnih i neizrazitih varijabli. Razlike nesigurnosti i neizrazitosti. Utjecaj nesigurnosti na zaključivanje. Algebra faktora sigurnosti. Sigurnost logičkih izraza. Utjecaj neizrazitih varijabli na zaključivanje. Operacije s neizrazitim varijablama – dodjeljivanje vrijednosti, oduzimanje vrijednosti, inverzna sigurnost. Primjeri i rješavanje računskih zadataka.
  • Prikaz znanja (Clips)
    Tehnike prikaza znanja. Okviri. Rad s okvirima. Demoni. Nasljeđivanje svojstava. Prenošenje poruka. Klase objekata – definiranje klase, mijenjanje klase, brisanje klase. Kreiranje slučajeva. Rukovatelj porukama. Višestruko nasljeđivanje svojstava.
  • Agenti I
    Pojam agenta i više agentnih sustava. Karakteristike agenata – neprekidno izvođenje, svjesnost okoline, svjesnost agenata, autonomnost, prilagodljivost, inteligencija, mobilnost, antropomorfizam, reprodukcija. Vrste agenata – inteligentni agenti, product brokering, merchant brokering, pregovaranje. Strategije pregovaranja – strategija %22bez inteligencije%22, heurističko pregovaranje, metoda rekurzivnog učenja. Analiza primjera agenata i njihove primjene.
  • Agenti II
    Implementacija inteligentnih agenata. Komunikacijski jezici i protokoli – XML sheme. Komunikacijski jezici agenata – komunikacija agenata na semantičkoj razini: Knowledge Query Manipulation Language i Agent Communication Language, te komunikacija agenata na kontekstualnoj razini Knowledge Interchange Format. Razvojne okoline - Agent Builder, Agent Building Environment, Agent Building Shell, Agent Development Environment, Multi-Agent Systems Tool. Platforme za razvoj agenata. Izrada agenta u razvojnoj okolini Agent Builder.
  • Zaključivanje temeljeno na slučajevima (CBR)
    Analiza tehnike zaključivanja temeljenog na slučajevima. Upotreba postojećih rješenja za rješavanje novih problema. Izrada programskog rješenja. Upotreba CBR-a za potrebe optimalizacije – izgradnja komponenti rješenja od podkomponenti nad kojima je primijenjena optimizacija CBR postupkom. Analiza aplikacija (CASPIAN, CASUEL, Instance Based Learner).
  • Neuronske mreže – tehnike
    Principi neuronskih mreža. Osnovni pojmovi – neuroni, veze, ulazni i skriveni slojevi, težina veze, funkcija prijenosa, interna aktivacija. Matematički model neuronskih mreža. Neuronske mreže – objašnjenje modela na alatu NeuroSolutions 4. Back-propagation mreža. Višeslojna mreža. Nenadgledano učenje. Nadgledano učenje. Fuzzy neuronska mreža. Neuronska mreža s optimizacijom genetskih algoritama.
  • Neuronske mreže – procedure
    Prikaz alata Neural Works Predict – sučelja, način rada, naredbe. Izgradnja jednostavne mreže %22širenje unatrag%22. Prosudba veza i neurona u mreži. Skrivanje i prikazivanje veza neurona. Parametri sloja neurona. Instrumenti za učenje mreže. Učenje mreže. Testiranje mreže. Slučajno određivanje i inicijalizacija težina u mreži. Podešavanje parametara učenja mreže i provjera učinka učenja. Optimizacija mreže.
  • Inženjerstvo znanja - modeli KADS i UML
    Metodologija KADS. Modeli KADS-a – model stručnog znanja, model organizacije, model zadaća, model agenata, komunikacijski model, model dizajna. Izrada modela KADS-a. UML. D-329 Notacija i dijagramske tehnike UML-a. Dijagrami aktivnosti – aktivnost, odluka, konkurentnost, tok objekata. Dijagrami stanja – stanje, varijable stanja, aktivnosti stanja, istovremenost stanja, generalizacija stanja. Dijagrami klasa – objekti klase, atributi, vrijednosti, identifikatori objekata, operacije, asocijacije, brojnost veze, klase asocijacija, generalizacija, agregacija, kompozicija. Dijagrami slučajeva korištenja – slučaj korištenja, korisnik. Izrada modela u alatu Rational Rose.
  • Modeliranje organizacije
    Modeliranje organizacije modelima KADS-a u alatu Rational Rose. Model organizacije - modeliranje organizacijskih procesa dijagramima aktivnosti. Komunikacijski model - modeliranje dinamičkog ponašanja organizacije dijagramima stanja. Model zadaća – modeliranje statičke strukture informacija dijagramima klase. Model agenata i dizajna – modeliranje funkcionalnosti sustava dijagramima slučajeva korištenja. Modeliranje primjera stvarne organizacije.
  • Tehnike elicitacije znanja
    Pojam elicitacije znanja. Uloga elicitacije znanja u razvojnom ciklusu sustava temeljenog na znanju. Tehnike elicitacije znanja od ljudskih eksperata - intervju, usredotočena diskusija, teach back, elicitacija konstrukata, sortiranje zadataka, %22penjanje po ljestvama%22, %2220 pitanja%22, stvaranje matrice, kritiziranje, protokoli, igranje uloga, simulacije. Elicitacija znanja iz ostalih izvora – iz postojećih sustava, iz dokumenata, iz fizičke ili socijalne okoline. Problemi elicitacije znanja. Karakteristike elicitatora. Primjeri elicitacije znanja. Izrada KADS modela znanja za prikupljeno znanje.
  • Dizajn arhitekture sustava
    Izrada sustava za primjer stvarne organizacije – Xpert Rule Knowledge Builder. Primjena modela KADSa (vježbe Modeliranje organizacije) i modela znanja (vježbe Tehnike elicitacije znanja) u dizajnu arhitekture sustava.
  • Vježbe
    U okviru vježbi studenti će korisiti standardne programske alate : predviđena je promjena alata, ukoliko će se na tržištu pojaviti softver koji se može kvalitetnije primijeniti za potrebe edukacije. Podrazumijevaju se alati XpertRule Knowledge Builder, Neural Works Predict, Rational Rose i Clips.
 Ishodi učenja kolegija
  • Pripremiti podatke za strojno učenje primjenom sljedećih koraka: ekstrakcija značajki, transformacija značajki, odabir najpovoljnijeg skupa značajki.
  • Prikupiti i pretprocesirati podatke za učenje, validaciju i testiranje za izradu modela strojnog učenja.
  • Analizirati i primijeniti odgovarajuće metode strojnog učenja pri rješavanju konkretnih problema klasifikacije, grupiranja i linearne regresije.
  • Vrednovati i interpretirati rezultate dobivene metodama strojnog učenja te odabrati najbolji model strojnog učenja za zadani problem.
  • Preispitati metode dubinskog učenja koje su prikladne za nadzirano, polunadzirano i nenadzirano učenje.
  • Vrednovati arhitekture neuronskih mreža i drugih pristupa dubinskom u čenju u kontekstu zadanih studija slučajeva iz poslovne domene.
  • Odabrati i primijeniti metode regularizacije, optimizacije i selekcije hiperparametara na modelima dubinskog u čenja.
  • Razviti modele primjenom algoritama dubinskog u čenja te razviti inteligentni sustav u odabranom programskom jeziku.
  • Primijeniti genetske algoritme u svrhu optimalizacije te analizirati utjecaje pojedinih parametara.
  • Razviti inteligentni sustav primjenom suvremenih metoda razvoja.
 Ishodi učenja programa
Osnovna literatura
  • T. M. Mitchell. Machine Learning, McGraw-Hill Science, 1997.
  • K. P. Murphy. Machine learning: A Probabilistic Perspective, The MIT Press Cambridge, Massachusetts London, England, 2012.
  • Keller, J. M., Liu, D., & Fogel, D. B. (2016). Fundamentals of computational intelligence: neural networks, fuzzy systems, and evolutionary computation. John Wiley & Sons
 Dopunska literatura
  • Proceedings of the AAAI National Conference on Artificial Intelligence
  • Proceedings of the AAAI Innovative Applications of Artificial Intelligence Conference
  • Proceedings of the Florida AI Research Symposium Conferences (FLAIRS)
  • Proceedings of the Knowledge Discovery and Data Mining Conference
 Slični kolegiji
  • Foundations of AI, Albert-Ludwigs-Universität Freiburg, Institut für Informatik
 Redoviti studenti Izvanredni studenti
izvanredni rok
Datum: 13.04.2026.
Vrijeme: 16:00
Opis: Na Fakultetu
U kalendaru ispod se nalaze konzultacije predmetnih nastavnika, no za detalje o konzultacijama možete provjeriti na profilu pojedinog predmetnog nastavnika.
 2025 © Fakultet organizacije i informatike, Centar za razvoj programskih proizvoda