Masinaõpe (ML) on õppevaldkond, mis annab arvutitele võimaluse andmetest õppida, on peaaegu iga teadusdistsipliini keskmes ning andmete põhjal üldistamise (st ennustamise) uurimine on masinõppe keskne teema. . See kursus annab kraadiõppe sissejuhatuse masinõppesse ja põhjaliku ülevaate uutest ja täiustatud meetoditest masinõppes ning nende aluseks olevast teooriast. Selles rõhutatakse praktilise tähtsusega lähenemisviise ja käsitletakse mitmeid hiljutisi masinõppe rakendusi, nagu andmekaeve (suurandmetes / andmeteaduses, andmeanalüüsis), loomuliku keele töötlemine, arvutinägemine, robootika, bioinformaatika ning teksti- ja veebiandmete töötlemine. Masinõpet kasutatakse erinevates tööstusharudes, sealhulgas finantsteenused, nafta ja gaas, tervishoid, turundus ja reklaam, valitsus, Internet ja asjade internet.
See kursus hõlmab erinevaid õppimisparadigmasid, algoritme, teoreetilisi tulemusi ja rakendusi. Selles kasutatakse tehisintellekti, teabeteooria, statistika ja kontrolliteooria põhimõisteid niivõrd, kuivõrd need on seotud masinõppega. Teemad hõlmavad: juhendatud õppimist (generatiivne / diskrimineeriv õppimine, parameetriline / mitteparameetriline õppimine, närvivõrgud, tugivektorimasinad, otsustuspuu, Bayesi õppimine ja optimeerimine); järelevalveta õppimine (klastrid, mõõtmete vähendamine, tuumameetodid); õpiteooria (eelarvamuste / dispersioonide kompromissid; riskikapitali teooria; suured varud); tugevdav õppimine ja adaptiivne kontroll. Muude teemade hulka kuuluvad HMM (varjatud Markovi mudel), evolutsiooniline arvutus, sügav õppimine (närvivõrkudega) ja algoritmide kujundamine, mille jõudlust saab põhjalikult analüüsida masinaõppe põhiprobleemide osas.
Kursuse oluline osa on grupiprojekt. Lühidalt, jagatud ja skaalautuvia masinaõppeks kasutatavaid olulisi avatud lähtekoodiga tööriistu käsitletakse lühidalt, et aidata projektide läbiviijatel. (4 ühikud) Eeltingimus: Puudub.
