שיטות סטטיסטיות לסיווג מידע באמצעות דוגמאות, למידת PAC ומימד VC, אלגוריתם NEAREST NEIGHBORS, עצי החלטה, מפרידים לינאריים, אלגוריתם SVM ושיטת גרעין, אופטימיזציה קמורה על-ידיGRADIENT DESCENT וSTOCHASTIC GRADIENT DESCENT, ולידציה ובחירת מודלים, הנחות גנרטיביות ובייס נאיבי ( NAIVE BAYES ), שיטות מכלול, יצירת מאפיינים ובחירתם, רשתות נוירונים, למידה לא מונחית: הורדת מימד, אישכול מידע. תוצאות למידה: בסיום הקורס הסטודנט/ית יהיה/תהיה מסוגל/ת: 1. להכין נתונים לצורך לימוד מכונה: יצירת מאפיינים, בחירת מאפיינים, הפרדה לקבוצת אימון, ניסוי וולידציה. 2. להשתמש באלגוריתמי למידה מונחית ולא מונחית נפוצים, תוך שימוש בספריות תוכנה סטנדרטית והתנסות בנתונים אמיתיים. 3. להבין את העקרונות המתמטיים העומדים ביסוד החומר הנלמד בשיעורים, לרבות סיבוכיות מספר דוגמאות, סיבוכיות חישובית, זיהוי התאמת-יתר (OVERFITTING) והתאמת-חסר (UNDER FITTING), למידת PAC ומימד VC והמגבלות של תיאוריות אלה.

פקולטה: מדעי המחשב
|תואר ראשון |תארים מתקדמים

מקצועות קדם

(94412 - הסתברות מ ו- 234125 - אלגוריתמים נומריים) או (104034 - מבוא להסתברות ח' ו- 234125 - אלגוריתמים נומריים)


מקצועות ללא זיכוי נוסף

46195 - מערכות לומדות 236766 - מבוא ללמידת מכונה


מידע סמסטריאלי