מידע כללי
שיטות סטטיסטיות לסיווג מידע באמצעות דוגמאות, למידת PAC ומימד VC, אלגוריתם NEAREST NEIGHBORS, עצי החלטה, מפרידים לינאריים, אלגוריתם SVM ושיטת גרעין, אופטימיזציה קמורה על-ידי GRADIENT DESCENT ו-STOCHASTIC 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 הסטודנטיות והסטודנטים יהיו מסוגלים: 1. להכין נתונים לצורך לימוד מכונה. 2. לממש אלגוריתמים בסיסיים של למידת מכונה. 3. להשתמש באלגוריתמי למידה מונחית ולשערך את הצלחתם, תוך שימוש בספריות תוכנה סטנדרטיות והתנסות בנתונים. 4. לנתח תכונות של אלגוריתמי למידה, כגון סיבוכיות מספר דוגמאות, סיבוכיות חישובית, התאמת-יתר והתאמת-חסר, למידת PAC ומימד VC, וכן להסביר את המגבלות 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
מקצועות ללא זיכוי נוסף (מכילים)
46195 - מערכות לומדות 96411 - למידה חישובית 1