Uvod v strojno učenje: Kako iz podatkov nastanejo napovedi

Strojno učenje je eno ključnih področij umetne inteligence, ki omogoča prepoznavanje vzorcev v podatkih, razvrščanje informacij in napovedovanje prihodnjih vrednosti. Za njegovo učinkovito uporabo pa je pomembno razumeti osnovne koncepte – od priprave podatkov in značilk do izbire modela, učenja, testiranja ter vrednotenja rezultatov.

Kako iz podatkov nastanejo modeli in napovedi ter kaj moramo razumeti, da lahko strojno učenje uporabljamo premišljeno in učinkovito?

---

Opis dogodka

Na izobraževanju »Uvod v strojno učenje«, ki poteka v okviru aktivnosti Kompetenčnega centra za umetno inteligenco Slovenije (KCUI), bodo udeleženci skozi razumljivo razlago in praktične primere spoznali temeljne koncepte strojnega učenja, nadzorovano in nenadzorovano učenje, regresijo, klasifikacijo, umetne nevronske mreže ter vrednotenje in validacijo modelov.

Izobraževanje je namenjeno predstavnikom javnega in zasebnega sektorja brez potrebnega predznanja, ki želijo razumeti, kako iz podatkov nastanejo modeli in napovedi ter pridobiti trdno osnovo za nadaljnje delo na področju umetne inteligence.

---

Kdaj in kje?

• Datum: 21. september 2026
• Ura: 09:00 – 16:00
• Lokacija: Fakulteta za elektrotehniko, Tržaška cesta 25, 1000 Ljubljana

---

Komu je dogodek namenjen?

• Predstavnikom javnega in zasebnega sektorja, ki želijo razumeti osnove strojnega učenja,
• Zaposlenim, ki se pri delu srečujejo s podatki, analizami in napovedovanjem,
• Strokovnjakom in vodjem, ki želijo bolje razumeti, kako nastajajo modeli in napovedi na podlagi podatkov,
• Vsem, ki želijo pridobiti praktične temelje za nadaljnje delo z umetno inteligenco in strojnim učenjem,
• Začetnikom, saj predhodno znanje s področja strojnega učenja ni potrebno.

---

Program dogodka

• 09:15 – 10:00 | Temeljni koncepti strojnega učenja in značilke
  Kaj je strojno učenje in kako se razlikujeta nadzorovano in nenadzorovano učenje? Predstavitev osnovnih pojmov, kot so vzorec, značilka, ciljna spremenljivka in model. Na praktičnih primerih boste določili značilke ter s pomočjo raztresnih grafov raziskali podatke.

• 10:15 – 11:00 | Regresija in napovedovanje številskih vrednosti
  Predstavitev preproste in multiple linearne regresije ter pomena učne in testne množice. Na praktičnem primeru boste zgradili regresijski model za napovedovanje številskih vrednosti ter spoznali, kako njegove napovedi pravilno interpretirati.

• 11:15 – 12:00 | Klasifikacija in naivni Bayesov klasifikator
  Kako model razvršča podatke v posamezne razrede? Spoznali boste osnovna načela klasifikacije, učnih podatkov in verjetnostnega pristopa naivnega Bayesovega klasifikatorja ter na podatkovni zbirki Iris zgradili in preizkusili lasten klasifikacijski model.

• 13:15 – 14:00 | Osnove umetnih nevronskih mrež
  Predstavitev osnovne zgradbe nevronskih mrež, nevronov, povezav, uteži, aktivacijskih funkcij ter vhodnih, skritih in izhodnih plasti. Na praktičnem primeru boste zgradili nevronsko mrežo za klasifikacijo in jo uporabili za razvrščanje novih vzorcev.

• 14:15 – 15:00 | Vrednotenje in validacija klasifikacijskih modelov
  Kako preverimo, ali je model res dober? Spoznali boste delitev podatkov na učno in testno množico, navzkrižno validacijo, matriko zamenjav ter kazalnike, kot so točnost, preciznost, priklic in mera F1. Primerjali boste tudi uspešnost različnih klasifikacijskih modelov.

• 15:15 – 16:00 | Nenadzorovano učenje in rojenje K-Means
  Predstavitev nenadzorovanega učenja in iskanja skritih struktur v neoznačenih podatkih. Spoznali boste delovanje algoritma K-Means, pomen podobnosti in izbire števila gruč ter na praktičnem primeru izvedli rojenje podatkov in interpretirali dobljene skupine.

---

Kaj bodo udeleženci pridobili?

• Jasno razumevanje temeljnih konceptov strojnega učenja,
• Sposobnost razlikovanja med nadzorovanim in nenadzorovanim učenjem,
• Praktično izkušnjo z regresijo, klasifikacijo in rojenjem podatkov,
• Osnovno razumevanje umetnih nevronskih mrež,
• Znanje o učni in testni množici ter vrednotenju modelov,
• Sposobnost interpretacije ključnih kazalnikov uspešnosti modelov,
• Boljše razumevanje, kako iz podatkov nastanejo modeli in napovedi,
• Trdno osnovo za nadaljnje samostojno izobraževanje na področju strojnega učenja in umetne inteligence.

---

Pogoji prijave in kotizacija

Delavnica poteka v okviru projekta Kompetenčni center za umetno inteligenco Slovenije (KCUI), zato je udeležba na dogodku brezplačna. Prijava je obvezna.