ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ (ບໍ່ໄດ້ຖືກສອນໃນພາກຮຽນ spring 2021. ກວດສອບຄວາມພ້ອມ), ພາກສະ ໜາມ ຂອງການສຶກສາທີ່ໃຫ້ຄອມພິວເຕີ້ມີຄວາມສາມາດໃນການຮຽນຮູ້ຈາກຂໍ້ມູນ, ແມ່ນຈຸດໃຈກາງຂອງເກືອບທຸກວິໄນວິທະຍາສາດ, ແລະການສຶກສາກ່ຽວກັບການຜະລິດໂດຍທົ່ວໄປ (ນັ້ນແມ່ນການຄາດຄະເນ) ຈາກ ຂໍ້ມູນແມ່ນຫົວຂໍ້ຫຼັກຂອງການຮຽນຮູ້ເຄື່ອງຈັກ. ຫຼັກສູດນີ້ໃຫ້ການແນະ ນຳ ໃນລະດັບຈົບການສຶກສາກ່ຽວກັບການຮຽນຮູ້ເຄື່ອງຈັກແລະການຄຸ້ມຄອງຢ່າງເລິກເຊິ່ງກ່ຽວກັບວິທີການ ໃໝ່ ແລະຂັ້ນສູງໃນການຮຽນຮູ້ເຄື່ອງຈັກ, ພ້ອມທັງທິດສະດີທີ່ຕິດພັນກັບພວກມັນ. ມັນເນັ້ນ ໜັກ ເຖິງວິທີການຕ່າງໆທີ່ກ່ຽວຂ້ອງກັບພາກປະຕິບັດຕົວຈິງແລະປຶກສາຫາລືກ່ຽວກັບການ ນຳ ໃຊ້ເຄື່ອງຈັກໃນການຮຽນຮູ້ມໍ່ໆມານີ້ເຊັ່ນ: ການຂຸດຄົ້ນຂໍ້ມູນ (ໃນຖານຂໍ້ມູນໃຫຍ່ / ວິທະຍາສາດຂໍ້ມູນ, ການວິເຄາະຂໍ້ມູນ), ການແປພາສາພາສາ ທຳ ມະຊາດ, ວິໄສທັດຄອມພິວເຕີ, ຫຸ່ນຍົນ, ເຕັກໂນໂລຢີຂໍ້ມູນແລະການປະມວນຜົນຂໍ້ມູນແລະເວັບ ການຮຽນຮູ້ຂອງເຄື່ອງຈັກແມ່ນຖືກ ນຳ ໃຊ້ໃນອຸດສາຫະ ກຳ ຕ່າງໆລວມທັງການບໍລິການດ້ານການເງິນ, ນ້ ຳ ມັນແລະອາຍແກັດ, ການດູແລສຸຂະພາບ, ການຕະຫຼາດແລະການໂຄສະນາ, ລັດຖະບານ, ອິນເຕີເນັດແລະອິນເຕີເນັດຂອງສິ່ງຕ່າງໆ.
ຫຼັກສູດນີ້ກວມເອົາຫລາຍໆຮູບແບບຂອງການຮຽນພາສາ, ສູດການຄິດໄລ່, ຜົນໄດ້ຮັບທາງທິດສະດີແລະການ ນຳ ໃຊ້. ມັນໃຊ້ແນວຄິດພື້ນຖານຈາກປັນຍາປະດິດ, ທິດສະດີຂໍ້ມູນຂ່າວສານ, ສະຖິຕິແລະການຄວບຄຸມທິດສະດີທີ່ບໍ່ ເໝາະ ສົມຍ້ອນວ່າມັນກ່ຽວຂ້ອງກັບການຮຽນຮູ້ຂອງເຄື່ອງຈັກ. ຫົວຂໍ້ປະກອບມີ: ການຮຽນຮູ້ທີ່ໄດ້ຮັບການຄວບຄຸມ (ການຮຽນຮູ້ໂດຍທົ່ວໄປ / ການແບ່ງແຍກ, ການຮຽນຮູ້ parametric / ບໍ່ແມ່ນພາລາມິເຕີ, ເຄືອຂ່າຍ neural, ເຄື່ອງສະຫນັບສະຫນູນ vector, ຕົ້ນໄມ້ຕັດສິນໃຈ, ການຮຽນຮູ້ແລະການເພີ່ມປະສິດທິພາບຂອງ Bayesian); ການຮຽນຮູ້ທີ່ບໍ່ມີການຄວບຄຸມ (ການແບ່ງກຸ່ມ, ການຫຼຸດຜ່ອນມິຕິ, ວິທີການແກ່ນ); ທິດສະດີການຮຽນຮູ້ (ຄວາມລໍາອຽງ / ການແລກປ່ຽນທີ່ແຕກຕ່າງກັນ; ທິດສະດີ VC; ຂອບຂະ ໜາດ ໃຫຍ່); ການຮຽນຮູ້ເສີມແລະການຄວບຄຸມການປັບຕົວ. ຫົວຂໍ້ອື່ນໆປະກອບມີ HMM (ຮູບແບບທີ່ເຊື່ອງໄວ້ Markov), ການຄິດໄລ່ວິວັດທະນາການ, ການຮຽນແບບເລິກເຊິ່ງ (ດ້ວຍ Neural Nets) ແລະການອອກແບບສູດການຄິດໄລ່ເຊິ່ງການປະຕິບັດງານຂອງມັນສາມາດຖືກວິເຄາະຢ່າງເຄັ່ງຄັດ ສຳ ລັບບັນຫາການຮຽນຮູ້ຂອງເຄື່ອງຈັກຂັ້ນພື້ນຖານ.
ສ່ວນຫນຶ່ງທີ່ສໍາຄັນຂອງຫຼັກສູດແມ່ນໂຄງການກຸ່ມ. ເຄື່ອງມືເປີດຕົ້ນຕໍທີ່ໃຊ້ສໍາລັບການຮຽນຮູ້ແບບຂະຫນານ, ແຈກຢາຍແລະຂະຫຍາຍຕົວຈະຖືກປົກຄຸມເປັນໄລຍະສັ້ນເພື່ອຊ່ວຍໃຫ້ນັກຮຽນເຮັດໂຄງການ. (ຫນ່ວຍງານ 4) ເງື່ອນໄຂ: ບໍ່ມີ.