მანქანური სწავლება (არ ისწავლება 2021 წლის გაზაფხული. შეამოწმეთ არსებობა), სასწავლო სფერო, რომელიც კომპიუტერებს აძლევს მონაცემების სწავლის შესაძლებლობას, თითქმის ყველა სამეცნიერო დისციპლინის ცენტრშია და განზოგადების (ანუ პროგნოზირების) საფუძველია მონაცემები წარმოადგენს მანქანური სწავლების ცენტრალურ თემას. ამ კურსში მოცემულია სამაგისტრო დონის გაცნობა მანქანური სწავლებისა და მანქანაში სწავლის ახალი და მოწინავე მეთოდების სიღრმისეული გაშუქება, აგრეთვე მათი ძირითადი თეორია. იგი ხაზს უსვამს პრაქტიკულ მნიშვნელობასთან დაკავშირებულ მიდგომებს და განიხილავს მანქანათმშენებლობის ბოლოდროინდელ პროგრამებს, როგორიცაა მონაცემთა მოპოვება (დიდი მონაცემების / მონაცემთა მეცნიერებაში, მონაცემთა ანალიტიკა), ბუნებრივი ენის დამუშავება, კომპიუტერის ხედვა, რობოტები, ბიოინფორმატიკა და ტექსტური და ვებ მონაცემთა დამუშავება. მანქანური სწავლება გამოიყენება სხვადასხვა ინდუსტრიებში, მათ შორის ფინანსური მომსახურება, ნავთობი და გაზი, ჯანდაცვა, მარკეტინგი და რეკლამა, მთავრობა, ინტერნეტი და ნივთების ინტერნეტი.

ეს კურსი მოიცავს სხვადასხვა სასწავლო პარადიგმებს, ალგორითმებს, თეორიულ შედეგებსა და პროგრამებს. იგი იყენებს ხელოვნურ ინტელექტის, ინფორმაციის თეორიის, სტატისტიკის და კონტროლის თეორიის ძირითად ცნებებს, რამდენადაც ისინი რელევანტურია მანქანური სწავლისთვის. თემებში შედის: ზედამხედველობის ქვეშ მყოფი სწავლება (გენერაციული / დისკრიმინაციული სწავლება, პარამეტრიული / არამეპარამეტული სწავლება, ნერვული ქსელები, დამხმარე ვექტორული მანქანები, გადაწყვეტილების ხე, ბაიესური სწავლა და ოპტიმიზაცია); ზედამხედველობის გარეშე სწავლა (კლასტერიზაცია, განზომილების შემცირება, ბირთვის მეთოდები); სწავლის თეორია (კომპენსაციის / ვარიანტის ურთიერთგაგება; VC თეორია; დიდი მინდვრები); განმტკიცების სწავლა და ადაპტაციური კონტროლი. სხვა თემებში შედის HMM (დამალული მარკოვის მოდელი), ევოლუციური გამოთვლა, ღრმა სწავლა (ნერვული ქსელებით) და ალგორითმების შემუშავება, რომელთა შესრულებაც შეიძლება მკაცრად გაანალიზდეს მანქანური სწავლების ფუნდამენტური პრობლემების დასადგენად.

კურსის მნიშვნელოვანი ნაწილია ჯგუფური პროექტი. პარალელური, დისტრიბუციისა და სკალირებადი მანქანების სწავლების ძირითადი საშუალებები მოკლედ დაფარავს სტუდენტებისთვის პროექტების განხორციელებაში. (4 ერთეული) წინაპირობა: არა.