مهارتهای "دستی" را با آخرین فن آوری های توسعه نرم افزار بیاموزید

یادگیری ماشین (ML) حوزه مطالعاتی است که به رایانه ها توانایی یادگیری از داده ها را می دهد، تقریباً در قلب هر رشته علمی قرار دارد و مطالعه تعمیم (یعنی پیش بینی) از داده ها موضوع اصلی یادگیری ماشین است. . این دوره مقدمه ای در سطح فارغ التحصیلی بر یادگیری ماشین و پوشش عمیق روش های جدید و پیشرفته در یادگیری ماشین و همچنین تئوری اساسی آنها می دهد. این بر رویکردهای مرتبط عملی تأکید می کند و تعدادی از کاربردهای اخیر یادگیری ماشین را مورد بحث قرار می دهد، مانند داده کاوی (در کلان داده / علم داده، تجزیه و تحلیل داده)، پردازش زبان طبیعی، بینایی رایانه، رباتیک، بیوانفورماتیک و پردازش متن و داده های وب. یادگیری ماشین در صنایع مختلفی از جمله خدمات مالی، نفت و گاز، مراقبت های بهداشتی، بازاریابی و تبلیغات، دولت، اینترنت و اینترنت اشیا استفاده می شود.

این دوره انواع پارادایم های یادگیری ، الگوریتم ها ، نتایج نظری و برنامه های کاربردی را پوشش می دهد. از مفاهیم اساسی هوش مصنوعی ، نظریه اطلاعات ، آمار و نظریه کنترل تا آنجا که مربوط به یادگیری ماشین است استفاده می کند. مباحث عبارتند از: یادگیری تحت نظارت (یادگیری تولیدی / افتراقی ، یادگیری پارامتری / غیرپارامتری ، شبکه های عصبی ، ماشین های بردار پشتیبانی ، درخت تصمیم ، یادگیری بیزی و بهینه سازی). یادگیری بدون نظارت (خوشه بندی ، کاهش ابعاد ، روش های هسته). نظریه یادگیری (مبادله تعصب / واریانس ؛ نظریه VC ؛ حاشیه های بزرگ) ؛ تقویت یادگیری و کنترل انطباقی. مباحث دیگر شامل HMM (مدل مخفی مارکوف) ، محاسبات تکاملی ، یادگیری عمیق (با شبکه های عصبی) و طراحی الگوریتم هایی است که می توان عملکرد آنها را به دقت برای مشکلات اساسی یادگیری ماشین تحلیل کرد.

بخش مهمی از دوره یک پروژه گروهی است. برای کمک به دانش آموزان در انجام پروژه ها، ابزار عمده ی منبع باز مورد استفاده برای یادگیری ماشین موازی، توزیع و مقیاس پذیر، به طور مختصر مورد پوشش قرار می گیرد. (واحدهای 4) پیش نیاز: هیچ کدام.