Mašinsko učenje je oblast proučavanja koja računarima daje mogućnost da uče iz podataka, u srcu je skoro svake naučne discipline, a proučavanje generalizacije (odnosno predviđanja) iz podataka je centralna tema mašinskog učenja. Ovaj kurs daje uvod na diplomskom nivou u mašinsko učenje i detaljno pokrivanje novih i naprednih metoda u mašinskom učenju, kao i njihovu osnovnu teoriju. Naglašava pristupe sa praktičnim značajem i raspravlja o brojnim novijim primenama mašinskog učenja, kao što su rudarenje podataka (u oblasti velikih podataka / nauci o podacima, analitici podataka), obrada prirodnog jezika, kompjuterski vid, robotika, bioinformatika i obrada teksta i veb podataka. Mašinsko učenje se koristi u različitim industrijama, uključujući finansijske usluge, naftu i gas, zdravstvenu zaštitu, marketing i oglašavanje, vladu, internet i internet stvari.
Овај курс покрива различите парадигме учења, алгоритме, теоријске резултате и примене. Користи основне концепте из вештачке интелигенције, теорије информација, статистике и теорије управљања уколико су релевантни за машинско учење. Теме укључују: учење под надзором (генеративно / дискриминативно учење, параметарско / непараметарско учење, неуронске мреже, векторске машине подршке, стабло одлука, Баиесово учење и оптимизација); учење без надзора (кластерисање, смањење димензионалности, методе језгра); теорија учења (пристрасност / одступање од варијансе; ВЦ теорија; велике марже); учење ојачања и адаптивна контрола. Остале теме укључују ХММ (Скривени Марков модел), Еволуционо рачунање, Дубинско учење (са неуронским мрежама) и дизајнирање алгоритама чији се учинак може ригорозно анализирати за основне проблеме машинског учења.
Важан део курса је групни пројекат. Главни алати отвореног кода који се користе за паралелно, дистрибуирано и скалабилно машинско учење биће укратко обрађени како би се помогло ученицима да раде на пројектима. (КСНУМКС јединице) Предуслов: Нема.