Machine Learning adalah bidang studi yang memberi komputer kemampuan untuk belajar dari data, merupakan inti dari hampir setiap disiplin ilmu, dan studi tentang generalisasi (yaitu, prediksi) dari data adalah topik utama dari machine learning. Kursus ini memberikan pengantar tingkat pascasarjana untuk pembelajaran mesin dan cakupan mendalam tentang metode baru dan lanjutan dalam pembelajaran mesin, serta teori yang mendasarinya. Ini menekankan pendekatan dengan relevansi praktis dan membahas sejumlah aplikasi pembelajaran mesin terbaru, seperti Data Mining (dalam Big Data / Ilmu Data, Analisis Data), Pemrosesan Bahasa Alami, Visi Komputer, Robotika, Bioinformatika, dan Pemrosesan data Teks dan Web. Pembelajaran Mesin digunakan di berbagai industri termasuk Layanan Keuangan, Minyak & Gas, Perawatan Kesehatan, Pemasaran & Periklanan, Pemerintah, Internet, dan Internet of Things.
Kursus ini mencakup berbagai paradigma pembelajaran, algoritma, hasil teoritis dan aplikasi. Ini menggunakan konsep dasar dari kecerdasan buatan, teori informasi, statistik, dan teori kontrol sejauh mereka relevan dengan pembelajaran mesin. Topik meliputi: pembelajaran yang diawasi (pembelajaran generatif / diskriminatif, pembelajaran parametrik / non-parametrik, jaringan saraf, mesin vektor pendukung, pohon keputusan, pembelajaran Bayesian & pengoptimalan); pembelajaran tanpa pengawasan (pengelompokan, pengurangan dimensi, metode kernel); teori pembelajaran (pengorbanan bias / varians; teori VC; margin besar); pembelajaran penguatan dan kontrol adaptif. Topik lainnya termasuk HMM (Hidden Markov Model), Evolutionary Computing, Deep Learning (With Neural Nets), dan algoritme perancangan yang performanya dapat dianalisis secara ketat untuk masalah pembelajaran mesin mendasar.
Bagian penting dari kursus adalah proyek kelompok. Alat sumber terbuka utama yang digunakan untuk pembelajaran mesin paralel, terdistribusi, dan dapat diskalakan akan dibahas secara singkat untuk membantu siswa mengerjakan proyek. (Unit 4) Prasyarat: Tidak ada.