കമ്പ്യൂട്ടറുകൾക്ക് ഡാറ്റയിൽ നിന്ന് പഠിക്കാനുള്ള കഴിവ് നൽകുന്ന പഠന മേഖലയാണ് മെഷീൻ ലേണിംഗ്, ഇത് മിക്കവാറും എല്ലാ ശാസ്ത്രശാഖകളുടെയും ഹൃദയഭാഗത്താണ്, കൂടാതെ ഡാറ്റയിൽ നിന്നുള്ള സാമാന്യവൽക്കരണത്തെ (അതായത്, പ്രവചനം) പഠിക്കുന്നത് മെഷീൻ ലേണിംഗിന്റെ കേന്ദ്ര വിഷയമാണ്. ഈ കോഴ്സ് മെഷീൻ ലേണിംഗിനുള്ള ബിരുദതല ആമുഖവും മെഷീൻ ലേണിംഗിലെ പുതിയതും നൂതനവുമായ രീതികളെക്കുറിച്ചും അവയുടെ അടിസ്ഥാന സിദ്ധാന്തത്തെക്കുറിച്ചും ആഴത്തിലുള്ള കവറേജും നൽകുന്നു. ഇത് പ്രായോഗിക പ്രസക്തിയുള്ള സമീപനങ്ങളെ ഊന്നിപ്പറയുകയും ഡാറ്റ മൈനിംഗ് (ബിഗ് ഡാറ്റ / ഡാറ്റ സയൻസ്, ഡാറ്റ അനലിറ്റിക്സ് എന്നിവയിൽ), നാച്ചുറൽ ലാംഗ്വേജ് പ്രോസസ്സിംഗ്, കമ്പ്യൂട്ടർ വിഷൻ, റോബോട്ടിക്സ്, ബയോഇൻഫോർമാറ്റിക്സ്, ടെക്സ്റ്റ്, വെബ് ഡാറ്റ പ്രോസസ്സിംഗ് എന്നിവ പോലെയുള്ള മെഷീൻ ലേണിംഗിന്റെ സമീപകാല ആപ്ലിക്കേഷനുകൾ ചർച്ച ചെയ്യുകയും ചെയ്യുന്നു. ഫിനാൻഷ്യൽ സർവീസസ്, ഓയിൽ & ഗ്യാസ്, ഹെൽത്ത് കെയർ, മാർക്കറ്റിംഗ് & പരസ്യം ചെയ്യൽ, ഗവൺമെന്റ്, ഇന്റർനെറ്റ്, ഇന്റർനെറ്റ് ഓഫ് തിംഗ്സ് എന്നിവയുൾപ്പെടെ വിവിധ വ്യവസായങ്ങളിൽ മെഷീൻ ലേണിംഗ് ഉപയോഗിക്കുന്നു.
ഈ കോഴ്സ് വൈവിധ്യമാർന്ന പഠന മാതൃകകൾ, അൽഗോരിതംസ്, സൈദ്ധാന്തിക ഫലങ്ങൾ, അപ്ലിക്കേഷനുകൾ എന്നിവ ഉൾക്കൊള്ളുന്നു. കൃത്രിമബുദ്ധി, വിവര സിദ്ധാന്തം, സ്ഥിതിവിവരക്കണക്കുകൾ, നിയന്ത്രണ സിദ്ധാന്തം എന്നിവയിൽ നിന്നുള്ള അടിസ്ഥാന ആശയങ്ങൾ മെഷീൻ പഠനത്തിന് പ്രസക്തമായതിനാൽ ഇത് ഉപയോഗിക്കുന്നു. വിഷയങ്ങൾ ഉൾപ്പെടുന്നു: സൂപ്പർവൈസുചെയ്ത പഠനം (ജനറേറ്റീവ് / വിവേചനപരമായ പഠനം, പാരാമെട്രിക് / നോൺ-പാരാമെട്രിക് ലേണിംഗ്, ന്യൂറൽ നെറ്റ്വർക്കുകൾ, സപ്പോർട്ട് വെക്ടർ മെഷീനുകൾ, തീരുമാന വീക്ഷണം, ബയേഷ്യൻ പഠനവും ഒപ്റ്റിമൈസേഷനും); മേൽനോട്ടമില്ലാത്ത പഠനം (ക്ലസ്റ്ററിംഗ്, ഡൈമൻഷണാലിറ്റി റിഡക്ഷൻ, കേർണൽ രീതികൾ); പഠന സിദ്ധാന്തം (ബയസ് / വേരിയൻസ് ട്രേഡ്ഓഫുകൾ; വിസി തിയറി; വലിയ മാർജിനുകൾ); ശക്തിപ്പെടുത്തൽ പഠനവും അഡാപ്റ്റീവ് നിയന്ത്രണവും. എച്ച്എംഎം (മറഞ്ഞിരിക്കുന്ന മാർക്കോവ് മോഡൽ), പരിണാമ കമ്പ്യൂട്ടിംഗ്, ഡീപ് ലേണിംഗ് (ന്യൂറൽ നെറ്റ്സിനൊപ്പം), അടിസ്ഥാന മെഷീൻ പഠന പ്രശ്നങ്ങൾക്ക് കർശനമായി വിശകലനം ചെയ്യാൻ കഴിയുന്ന അൽഗോരിതം രൂപകൽപ്പന ചെയ്യൽ എന്നിവയാണ് മറ്റ് വിഷയങ്ങൾ.
ഒരു പ്രധാന പദ്ധതിയാണ് ഒരു ഗ്രൂപ്പ് പ്രോജക്റ്റ്. പാരലൽ, ഡിസ്ട്രിബ്യൂട്ടഡ്, സ്കേലബിൾ മെഷീൻ പഠനത്തിനായി ഉപയോഗിക്കുന്ന പ്രധാന ഓപ്പൺ സോഴ്സ് ടൂളുകൾ പദ്ധതികൾ ചെയ്യുന്ന വിദ്യാർത്ഥികളെ സഹായിക്കുന്നതിന് ചുരുക്കമായി പരിരക്ഷിക്കപ്പെടും. (4 യൂണിറ്റുകൾ) മുൻവ്യവസ്ഥ: ഒന്നുമില്ല.