Học máy là lĩnh vực nghiên cứu cung cấp cho máy tính khả năng học hỏi từ dữ liệu, là trọng tâm của hầu hết mọi ngành khoa học và nghiên cứu tổng quát hóa (tức là dự đoán) từ dữ liệu là chủ đề trung tâm của học máy. Khóa học này giới thiệu ở cấp độ sau đại học về học máy và bao quát chuyên sâu về các phương pháp mới và tiên tiến trong học máy, cũng như lý thuyết cơ bản của chúng. Nó nhấn mạnh các phương pháp tiếp cận có liên quan thực tế và thảo luận về một số ứng dụng gần đây của học máy, chẳng hạn như Khai thác dữ liệu (trong Dữ liệu lớn / Khoa học dữ liệu, Phân tích dữ liệu), Xử lý ngôn ngữ tự nhiên, Thị giác máy tính, Người máy, Tin sinh học và Xử lý dữ liệu văn bản và web. Học máy được sử dụng trong nhiều ngành khác nhau bao gồm Dịch vụ tài chính, Dầu khí, Chăm sóc sức khỏe, Tiếp thị & Quảng cáo, Chính phủ, Internet và Internet of Things.
Khóa học này bao gồm nhiều mô hình học tập, thuật toán, kết quả lý thuyết và ứng dụng. Nó sử dụng các khái niệm cơ bản từ trí tuệ nhân tạo, lý thuyết thông tin, thống kê và lý thuyết điều khiển trong chừng mực chúng có liên quan đến học máy. Các chủ đề bao gồm: học có giám sát (học tập chung / phân biệt, học tham số / không tham số, mạng nơron, máy vectơ hỗ trợ, cây quyết định, học & tối ưu hóa Bayesian); học không giám sát (phân cụm, giảm số chiều, phương pháp hạt nhân); lý thuyết học tập (sự cân bằng độ lệch / phương sai; lý thuyết VC; biên lợi nhuận lớn); học tăng cường và kiểm soát thích ứng. Các chủ đề khác bao gồm HMM (Mô hình Markov ẩn), Điện toán tiến hóa, Học sâu (Với Nets thần kinh) và thiết kế các thuật toán có hiệu suất có thể được phân tích chặt chẽ cho các vấn đề máy học cơ bản.
Một phần quan trọng của khóa học là một dự án nhóm. Các công cụ nguồn mở chính được sử dụng cho học máy song song, phân tán và có thể mở rộng sẽ được trình bày ngắn gọn để giúp sinh viên thực hiện các dự án. (Đơn vị 4) Điều kiện tiên quyết: Không có.
