Online kurs: Analiza podataka u poslovnoj i inženjerskoj praksi. Mašinski fakultet Univerziteta u Nišu. Nedelja 3, resurs 2: Veličine kvaliteta modela mašinskog učenja u Python-u. Realizacija: Milan Zdravković
http://160.99.22.125:9000/courses/course-v1:MEF+OKMU+2018-19_S2/about/
---------------------------
doc. dr Milan Zdravković. Mašinski fakultet u Nišu, Inženjerski menadžment, studijski profil Industrijski menadžment, master studije, 1.godina
---------------------------
Pristup online kursu: http://ekursevi.masfak.ni.ac.rs:9000/courses/course-v1:MEF+UPRO+2019-20_S2/about
---------------------------
doc. dr Milan Zdravković. Mašinski fakultet u Nišu, Inženjerski menadžment, studijski profil Industrijski menadžment, master studije, 1.godina
---------------------------
Pristup online kursu: http://ekursevi.masfak.ni.ac.rs:9000/courses/course-v1:MEF+UPRO+2019-20_S2/about
---------------------------
doc. dr Milan Zdravković. Mašinski fakultet u Nišu, Inženjerski menadžment, studijski profil Industrijski menadžment, master studije, 1.godina
---------------------------
Pristup online kursu: http://ekursevi.masfak.ni.ac.rs:9000/courses/course-v1:MEF+UPRO+2019-20_S2/about
---------------------------
doc. dr Milan Zdravković. Mašinski fakultet u Nišu, Inženjerski menadžment, studijski profil Industrijski menadžment, master studije, 1.godina
---------------------------
Pristup online kursu: http://ekursevi.masfak.ni.ac.rs:9000/courses/course-v1:MEF+UPRO+2019-20_S2/about
PA Training Nov 5-6 Day 2 - Talk 2. Content Management Best PracticesMilan Zdravković
EURAXESS TOPIV Online Training for Portal Administrators
5th-6th of November 2020 Day 2
organized by Estonian Research Council
Talk: Content Management Best Practices
Presenter: Laura Sancho Andres, European Commission
PA Training Nov 5-6 Day 2 - Talk 1. Web Visibility, SEO elements in content c...Milan Zdravković
EURAXESS TOPIV Online Training for Portal Administrators
5th-6th of November 2020 Day 2
organized by Estonian Research Council
Talk: Web Visibility, SEO elements in content creation, Google Adwords
Presenter: Taavi Raidma, Estonia
PA Training Nov 5-6 Day 1 - Talk 1. EURAXESS Portal updatesMilan Zdravković
EURAXESS TOPIV Online Training for Portal Administrators
5th-6th of November 2020 Day 1
organized by Estonian Research Council
Talk: EURAXESS Portal updates
Presenter: Laura Sancho-Andres, European Commission
PA Training Nov 5-6 Day 1 - Talk 4. Compliance issuesMilan Zdravković
EURAXESS TOPIV Online Training for Portal Administrators
5th-6th of November 2020 Day 1
organized by Estonian Research Council
Talk: Compliance issues
Presenters: Laura SANCHO-ANDRES, European Commission; Milan Zdravković, University of Niš, Serbia
PA Training Nov 5-6 Day 2 - Talk 3. Accessibility CheckerMilan Zdravković
EURAXESS TOPIV Online Training for Portal Administrators
5th-6th of November 2020 Day 2
organized by Estonian Research Council
Talk: Accessibility Checker
Presenter: Laura SANCHO-ANDRES, European Commission
Online kurs: Informacione tehnologije 1. Mašinski fakultet Univerziteta u Nišu. Nedelja 1, resurs 3: Internet pod haubom. Realizacija: Milan Zdravković
http://ekursevi.masfak.ni.ac.rs:9000/courses/course-v1:MEF+IT1+2020-21_S1/about
Online kurs: Informacione tehnologije 1. Mašinski fakultet Univerziteta u Nišu. Nedelja 1, resurs 1: Opis i metodologija kursa. Realizacija: Milan Zdravković
http://ekursevi.masfak.ni.ac.rs:9000/courses/course-v1:MEF+IT1+2020-21_S1/about
This course aims at providing some tips and tricks on how to write, maintain or improve web content to keep it relevant for target audiences, while making it attractive and easy to read.
Session facilitated during the Portal Administrators meeting on 5 March 2020, in Brussels.
MEZN05 - Jezici za reprezentaciju znanja na Webu – OWLMilan Zdravković
Istovetnost i različitost. Simetrične, tranzitivne, inverzne i funkcionalne karakteristike. Ograničenja karakteristika i anonimne klase. Ograničenja opsega i vrednosti. Ograničenja kardinalnosti.
---------------------------
doc. dr Milan Zdravković. Mašinski fakultet u Nišu, Inženjerski menadžment, studijski profil Industrijski menadžment, master studije, 1.godina
MEZN04 - Softver za kreiranje ontologija - ProtegeMilan Zdravković
Šta je Protege? Osnovna podešavanja. Radna površina. Kreiranje klasa i karakteristika. Pridodavanje individua klasi i kreiranje nove individue. Definisanje atributa i elemenata karakteristika. Definisanje karakteristika individua.
---------------------------
doc. dr Milan Zdravković. Mašinski fakultet u Nišu, Inženjerski menadžment, studijski profil Industrijski menadžment, master studije, 1.godina
MEZN03 - Jezici za reprezentaciju znanja na Webu – RDF i RDFSMilan Zdravković
XML. RDF. RDFS. Rasuđivanje na osnovu RDF i RDFS modela. Pravila rasuđivanja. Problemi RDF i RDFS. Zadatak.
---------------------------
doc. dr Milan Zdravković. Mašinski fakultet u Nišu, Inženjerski menadžment, studijski profil Industrijski menadžment, master studije, 1.godina
MEZN01 - Semantički web i osnovne tehnologije za njegovu realizacijuMilan Zdravković
Modeliranje i upravljanje znanjem na web-u. Šta je semantički web? Na koji način se on realizuje? Šta su ontologije?
---------------------------
doc. dr Milan Zdravković. Mašinski fakultet u Nišu, Inženjerski menadžment, studijski profil Industrijski menadžment, master studije, 1.godina
MEZN02 - Primena računarske logike za reprezentaciju i rasuđivanje znanjaMilan Zdravković
Logički formalizmi. Logička implikacija, doslednost i potpunost. Pravila rasuđivanja. (Iskazna logika. Predikatska logika. Univerzalna i egzistencijalna kvantifikacija. Nelogički formalizmi. Semantičke mreže - definicione, iskazne i implikacione.)
---------------------------
doc. dr Milan Zdravković. Mašinski fakultet u Nišu, Inženjerski menadžment, studijski profil Industrijski menadžment, master studije, 1.godina
Kako identifikovati promenljive? Koji se tipovi promenljivih koriste? Kako se kreirane promenljive dodeljuju aktivnostima? Parametri tranzicija uslovnog grananja
---------------------------
doc. dr Milan Zdravković. Mašinski fakultet u Nišu, Inženjerski menadžment, studijski profil Industrijski menadžment, master studije, 1.godina
---------------------------
Pristup online kursu: http://ekursevi.masfak.ni.ac.rs:9000/courses/course-v1:MEF+UPRO+2019-20_S2/about
---------------------------
doc. dr Milan Zdravković. Mašinski fakultet u Nišu, Inženjerski menadžment, studijski profil Industrijski menadžment, master studije, 1.godina
---------------------------
Pristup online kursu: http://ekursevi.masfak.ni.ac.rs:9000/courses/course-v1:MEF+UPRO+2019-20_S2/about
PA Training Nov 5-6 Day 2 - Talk 2. Content Management Best PracticesMilan Zdravković
EURAXESS TOPIV Online Training for Portal Administrators
5th-6th of November 2020 Day 2
organized by Estonian Research Council
Talk: Content Management Best Practices
Presenter: Laura Sancho Andres, European Commission
PA Training Nov 5-6 Day 2 - Talk 1. Web Visibility, SEO elements in content c...Milan Zdravković
EURAXESS TOPIV Online Training for Portal Administrators
5th-6th of November 2020 Day 2
organized by Estonian Research Council
Talk: Web Visibility, SEO elements in content creation, Google Adwords
Presenter: Taavi Raidma, Estonia
PA Training Nov 5-6 Day 1 - Talk 1. EURAXESS Portal updatesMilan Zdravković
EURAXESS TOPIV Online Training for Portal Administrators
5th-6th of November 2020 Day 1
organized by Estonian Research Council
Talk: EURAXESS Portal updates
Presenter: Laura Sancho-Andres, European Commission
PA Training Nov 5-6 Day 1 - Talk 4. Compliance issuesMilan Zdravković
EURAXESS TOPIV Online Training for Portal Administrators
5th-6th of November 2020 Day 1
organized by Estonian Research Council
Talk: Compliance issues
Presenters: Laura SANCHO-ANDRES, European Commission; Milan Zdravković, University of Niš, Serbia
PA Training Nov 5-6 Day 2 - Talk 3. Accessibility CheckerMilan Zdravković
EURAXESS TOPIV Online Training for Portal Administrators
5th-6th of November 2020 Day 2
organized by Estonian Research Council
Talk: Accessibility Checker
Presenter: Laura SANCHO-ANDRES, European Commission
Online kurs: Informacione tehnologije 1. Mašinski fakultet Univerziteta u Nišu. Nedelja 1, resurs 3: Internet pod haubom. Realizacija: Milan Zdravković
http://ekursevi.masfak.ni.ac.rs:9000/courses/course-v1:MEF+IT1+2020-21_S1/about
Online kurs: Informacione tehnologije 1. Mašinski fakultet Univerziteta u Nišu. Nedelja 1, resurs 1: Opis i metodologija kursa. Realizacija: Milan Zdravković
http://ekursevi.masfak.ni.ac.rs:9000/courses/course-v1:MEF+IT1+2020-21_S1/about
This course aims at providing some tips and tricks on how to write, maintain or improve web content to keep it relevant for target audiences, while making it attractive and easy to read.
Session facilitated during the Portal Administrators meeting on 5 March 2020, in Brussels.
MEZN05 - Jezici za reprezentaciju znanja na Webu – OWLMilan Zdravković
Istovetnost i različitost. Simetrične, tranzitivne, inverzne i funkcionalne karakteristike. Ograničenja karakteristika i anonimne klase. Ograničenja opsega i vrednosti. Ograničenja kardinalnosti.
---------------------------
doc. dr Milan Zdravković. Mašinski fakultet u Nišu, Inženjerski menadžment, studijski profil Industrijski menadžment, master studije, 1.godina
MEZN04 - Softver za kreiranje ontologija - ProtegeMilan Zdravković
Šta je Protege? Osnovna podešavanja. Radna površina. Kreiranje klasa i karakteristika. Pridodavanje individua klasi i kreiranje nove individue. Definisanje atributa i elemenata karakteristika. Definisanje karakteristika individua.
---------------------------
doc. dr Milan Zdravković. Mašinski fakultet u Nišu, Inženjerski menadžment, studijski profil Industrijski menadžment, master studije, 1.godina
MEZN03 - Jezici za reprezentaciju znanja na Webu – RDF i RDFSMilan Zdravković
XML. RDF. RDFS. Rasuđivanje na osnovu RDF i RDFS modela. Pravila rasuđivanja. Problemi RDF i RDFS. Zadatak.
---------------------------
doc. dr Milan Zdravković. Mašinski fakultet u Nišu, Inženjerski menadžment, studijski profil Industrijski menadžment, master studije, 1.godina
MEZN01 - Semantički web i osnovne tehnologije za njegovu realizacijuMilan Zdravković
Modeliranje i upravljanje znanjem na web-u. Šta je semantički web? Na koji način se on realizuje? Šta su ontologije?
---------------------------
doc. dr Milan Zdravković. Mašinski fakultet u Nišu, Inženjerski menadžment, studijski profil Industrijski menadžment, master studije, 1.godina
MEZN02 - Primena računarske logike za reprezentaciju i rasuđivanje znanjaMilan Zdravković
Logički formalizmi. Logička implikacija, doslednost i potpunost. Pravila rasuđivanja. (Iskazna logika. Predikatska logika. Univerzalna i egzistencijalna kvantifikacija. Nelogički formalizmi. Semantičke mreže - definicione, iskazne i implikacione.)
---------------------------
doc. dr Milan Zdravković. Mašinski fakultet u Nišu, Inženjerski menadžment, studijski profil Industrijski menadžment, master studije, 1.godina
Kako identifikovati promenljive? Koji se tipovi promenljivih koriste? Kako se kreirane promenljive dodeljuju aktivnostima? Parametri tranzicija uslovnog grananja
2. Veličine kvaliteta regresije
• Srednja apsolutna greška (Mean
Absolute Error - MAE)
– Srednja vrednost svih apsolutnih
razlika između stvarnih izlaznih
veličina i onih predviđenih modelom
(u test setu)
• Srednja kvadratna greška (Mean
Squared Error - MSE)
– Koren srednje kvadratne greške (Root
Mean Squared Error – RMSE)
– Penalizacija velikih grešaka
from sklearn.metrics import mean_absolute_error, mean_squared_error
mean_absolute_error(Y_test, predictions_poly)
mean_squared_error(Y_test, predictions_poly)
3. Osnovne veličine
kvaliteta klasifikacije
• Tačnost/preciznost klasifikacije
– Odnos broja tačnih predviđanja i broja
ukupnih predviđanja
• Mera tačnosti koja nije relativna u
odnosu na distribuciju izlaznih veličina
• Na primer, tačnost binarne klasifikacije
za dijagnozu dijabetesa je 76%. Min
tačnost nije 50% zbog neravnomerne
distribucije izlaznih veličina u trening
setu, već 65% (ukoliko u predviđanju
uvek pretpostavimo da je dijagnoza
negativna)
• Logaritamski gubitak (logloss)
– Uzima u obzir verovatnoće tačnog
predviđanja svih pojedinačnih klasa –
pouzdanost predviđanja
– Favorizuje ravnomerno raspoređene
greške klasifikacije po klasama –
izlaznim veličinama
scoring = 'accuracy'
scoring = 'neg_log_loss'
results = cross_val_score(lr, X, Y, cv=kf, scoring=scoring)
print(results.mean())
from sklearn import metrics
print(metrics.accuracy_score(Y_test, predictions))
print(metrics.log_loss(Y_test, predictions))
Unakrsna validacija
Train/test split
4. Confusion matrica
• Confusion matrica
– Veličine vezane za
sposobnost
razlikovanja klasa u
binarnoj klasifikaciji
• True positive/False
positive/True
negative/False negative
• TP=33, FP=9, FN=24,
TN=88
– Nema smisla za
unakrsnu validaciju, jer
imamo k skupa
predviđanja
from sklearn.metrics import confusion_matrix
print(confusion_matrix(Y_test, predictions, labels=[1,0]))
Broj tačnih
predviđanja
klase 1
Broj netačnih
predviđanja
klase 0
Broj netačnih
predviđanja
klase 1
Broj tačnih
predviđanja
klase 0
Predviđeno
Stvarno
5. Preciznost i recall
• Osnovne veličine za model predviđanja dijabetesa
– TP=33, FP=9, FN=24, TN=88
• Preciznost po klasama (tačnost klasifikacije je mean preciznosti
po klasama)
– Koji deo pozitivnih predviđanja je ispao tačan?
• P=33/(33+9)=0.79. Kada model predviđa da pacijent ima dijabetes, 79%
puta je u pravu
– Koji deo negativnih predviđanja je ispao tačan?
• P=88/(88+24)=0.79. Kada model predviđa da pacijent nema dijabetes,
79% puta je u pravu
• Osetljivost/Sensitivity ili Recall
– Koji deo stvarno pozitivnih vrednosti je tačno predviđen?
• R=33/(33+24)=0.58. Model 58% tačno predviđa pojavu dijabetesa
– Koji deo stvarno negativnih vrednosti je tačno predviđen?
• R=88/(88+9)=0.91. Model 91% tačno predviđa da pacijent nema dijabetes
from sklearn.metrics import classification_report
print(classification_report(Y_test, predictions))
Predviđeno
Stvarno
6. Površina ispod ROC krive
• Površina ispod ROC krive
(Area under Receiver
Operating Characterists
Curve - AUROC)
– Za binarnu klasifikaciju
– Mera sposobnosti modela
da razlikuje klase – izlazne
veličine
• U intervalu 0.5,1
– 0.5 – sva predviđanja
netačna
– 1 – sva predviđanja
tačna
– ROC kriva spaja tačke za
različite vrednosti praga
klasifikacije (classification
threshold)
– Ako je AUC=0.83, to znači
da postoji 83%
verovatnoće da model
razlikuje klase – izlazne
veličine
scoring = 'roc_auc'
results = cross_val_score(lr, X, Y, cv=kf, scoring=scoring)
print(results.mean())