머신 러닝은 컴퓨터에 데이터로부터 학습할 수 있는 능력을 부여하는 연구 분야이며 거의 모든 과학 분야의 핵심이며 데이터로부터 일반화(즉, 예측)에 대한 연구는 머신 러닝의 중심 주제입니다. 이 과정은 기계 학습에 대한 대학원 수준의 소개와 기계 학습의 새로운 고급 방법 및 기본 이론에 대한 심층적인 설명을 제공합니다. 실제 관련성이 있는 접근 방식을 강조하고 데이터 마이닝(빅 데이터/데이터 과학, 데이터 분석), 자연어 처리, 컴퓨터 비전, 로봇 공학, 생물 정보학, 텍스트 및 웹 데이터 처리와 같은 머신 러닝의 여러 최근 응용 프로그램에 대해 논의합니다. 기계 학습은 금융 서비스, 석유 및 가스, 의료, 마케팅 및 광고, 정부, 인터넷 및 사물 인터넷을 포함한 다양한 산업에서 사용됩니다.
이 과정은 다양한 학습 패러다임, 알고리즘, 이론적 결과 및 응용 프로그램을 다룹니다. 인공 지능, 정보 이론, 통계 및 제어 이론의 기본 개념을 머신 러닝과 관련이있는 한 사용합니다. 주제는 다음과 같습니다.지도 학습 (생성 / 차별 학습, 모수 / 비모수 학습, 신경망, 지원 벡터 머신, 의사 결정 트리, 베이지안 학습 및 최적화); 비지도 학습 (클러스터링, 차원 감소, 커널 방법); 학습 이론 (편향 / 분산 트레이드 오프, VC 이론, 큰 마진); 강화 학습 및 적응 제어. 다른 주제로는 HMM (Hidden Markov Model), Evolutionary Computing, Deep Learning (With Neural Nets) 및 기본적인 기계 학습 문제에 대해 성능을 엄격하게 분석 할 수있는 알고리즘 설계가 있습니다.
이 과정의 중요한 부분은 그룹 프로젝트입니다. 병렬, 분산 및 확장 가능한 기계 학습에 사용되는 주요 오픈 소스 도구는 학생들이 프로젝트를 수행하는 데 도움이되도록 간략하게 설명됩니다. (4 units) 전제 조건 : 없음.