Maskininlärning är det studieområde som ger datorer förmågan att lära av data, är i hjärtat av nästan varje vetenskaplig disciplin, och studiet av generalisering (det vill säga förutsägelse) från data är det centrala ämnet för maskininlärning. Den här kursen ger en introduktion på forskarnivå till maskininlärning och fördjupad täckning av nya och avancerade metoder inom maskininlärning, såväl som deras underliggande teori. Den betonar tillvägagångssätt med praktisk relevans och diskuterar ett antal nya tillämpningar av maskininlärning, såsom Data Mining (inom Big Data / Data Science, Data Analytics), Natural Language Processing, Computer Vision, Robotics, Bioinformatics och Text- och webbdatabehandling. Machine Learning används i olika branscher, inklusive finansiella tjänster, olja och gas, hälsovård, marknadsföring och reklam, myndigheter, Internet och Internet of Things.
Kursen behandlar en mängd olika inlärningsparadigmer, algoritmer, teoretiska resultat och tillämpningar. Den använder grundläggande begrepp från artificiell intelligens, informationsteori, statistik och styrteori i den mån de är relevanta för maskininlärning. Ämnen inkluderar: övervakat lärande (generativt / diskriminerande lärande, parametrisk / icke-parametrisk inlärning, neurala nätverk, supportvektormaskiner, beslutsträd, Bayesisk inlärning och optimering); oövervakad inlärning (kluster, dimensioneringsreduktion, kärnmetoder); inlärningsteori (bias / varians avvägningar; VC teori, stora marginaler); förstärkning lärande och adaptiv kontroll. Andra ämnen inkluderar HMM (Hidden Markov Model), Evolutionary Computing, Deep Learning (With Neural Nets) och designalgoritmer vars prestanda kan analyseras noggrant för grundläggande maskininlärningsproblem.
En viktig del av kursen är ett gruppprojekt. Stora öppna källverktyg som används för parallell, distribuerad och skalbar maskininlärning kommer att kortfattat täckas för att hjälpa studenter att göra projekten. (4-enheter) Förutsättning: Ingen.
