మెషీన్ లెర్నింగ్, కంప్యూటర్లకు డేటా నుండి నేర్చుకునే సామర్థ్యాన్ని ఇచ్చే అధ్యయన రంగం దాదాపు ప్రతి శాస్త్రీయ క్రమశిక్షణకు గుండె వద్ద ఉంది మరియు డేటా నుండి సాధారణీకరణ (అనగా, అంచనా) అధ్యయనం యంత్ర అభ్యాసం యొక్క ప్రధాన అంశం. ఈ కోర్సు యంత్ర అభ్యాసానికి గ్రాడ్యుయేట్-స్థాయి పరిచయాన్ని మరియు యంత్ర అభ్యాసంలో కొత్త మరియు అధునాతన పద్ధతుల యొక్క లోతైన కవరేజీని, అలాగే వాటి అంతర్లీన సిద్ధాంతాన్ని ఇస్తుంది. ఇది ఆచరణాత్మక with చిత్యంతో విధానాలను నొక్కి చెబుతుంది మరియు డేటా మైనింగ్ (బిగ్ డేటా / డేటా సైన్స్, డేటా అనలిటిక్స్లో), నేచురల్ లాంగ్వేజ్ ప్రాసెసింగ్, కంప్యూటర్ విజన్, రోబోటిక్స్, బయోఇన్ఫర్మేటిక్స్ మరియు టెక్స్ట్ మరియు వెబ్ డేటా ప్రాసెసింగ్ వంటి యంత్ర అభ్యాసం యొక్క ఇటీవలి అనేక అనువర్తనాలను చర్చిస్తుంది. మెషిన్ లెర్నింగ్ ఫైనాన్షియల్ సర్వీసెస్, ఆయిల్ & గ్యాస్, హెల్త్ కేర్, మార్కెటింగ్ & అడ్వర్టైజింగ్, గవర్నమెంట్, ఇంటర్నెట్ మరియు ఇంటర్నెట్ ఆఫ్ థింగ్స్తో సహా వివిధ పరిశ్రమలలో ఉపయోగించబడుతుంది.
ఈ కోర్సు వివిధ రకాల అభ్యాస నమూనాలు, అల్గోరిథంలు, సైద్ధాంతిక ఫలితాలు మరియు అనువర్తనాలను వర్తిస్తుంది. ఇది కృత్రిమ మేధస్సు, సమాచార సిద్ధాంతం, గణాంకాలు మరియు నియంత్రణ సిద్ధాంతం నుండి ప్రాథమిక అంశాలను యంత్ర అభ్యాసానికి సంబంధించినది కాబట్టి ఉపయోగిస్తుంది. అంశాలు: పర్యవేక్షించబడిన అభ్యాసం (ఉత్పాదక / వివక్షత లేని అభ్యాసం, పారామెట్రిక్ / నాన్-పారామెట్రిక్ లెర్నింగ్, న్యూరల్ నెట్వర్క్లు, సపోర్ట్ వెక్టర్ మెషీన్లు, డెసిషన్ ట్రీ, బయేసియన్ లెర్నింగ్ & ఆప్టిమైజేషన్); పర్యవేక్షించబడని అభ్యాసం (క్లస్టరింగ్, డైమెన్షియాలిటీ రిడక్షన్, కెర్నల్ పద్ధతులు); అభ్యాస సిద్ధాంతం (బయాస్ / వేరియెన్స్ ట్రేడ్ఆఫ్స్; విసి సిద్ధాంతం; పెద్ద మార్జిన్లు); ఉపబల అభ్యాసం మరియు అనుకూల నియంత్రణ. ఇతర అంశాలు HMM (హిడెన్ మార్కోవ్ మోడల్), ఎవల్యూషనరీ కంప్యూటింగ్, డీప్ లెర్నింగ్ (న్యూరల్ నెట్స్తో) మరియు ప్రాథమిక యంత్ర అభ్యాస సమస్యల కోసం పనితీరును కఠినంగా విశ్లేషించగల అల్గోరిథంలను రూపొందించడం. (కోర్సు వసంత 2021 ఇవ్వలేదు)
కోర్సు యొక్క ఒక ముఖ్యమైన భాగం గుంపు ప్రాజెక్ట్. సమాంతర, పంపిణీ మరియు స్కేలబుల్ మెషిన్ లెర్నింగ్ కోసం ఉపయోగించే ప్రధాన ఓపెన్ సోర్స్ టూల్స్ క్లుప్తంగా ప్రాజెక్ట్లను చేయడం కోసం విద్యార్థులకు సహాయపడతాయి. (4 యూనిట్లు) అంత అవసరం: ఏమీలేదు.