• Om deel te nemen, moet u ervoor zorgen dat u op de CIS-wachtlijst staat. Updates zullen worden gecommuniceerd als informatie beschikbaar komt. Tot nu toe hebben alle mensen in categorie 4 of lager toestemming gekregen om zich in te schrijven. Op dit moment, geloven we dat alle mensen op de wachtlijst zal krijgen in de klasse.

  • Gelieve vertrouwd te zijn met de andere delen van deze website, met name het beleid en de syllabus secties. Gebruik Piazza om ons vragen te stellen, of stuur mij (@danroth) een e-mail.

  • De klas zal lopen als een synchrone klasse. Op een paar uitzonderingen na, is deelname (en dus aanwezigheid) verplicht. Praat alsjeblieft met mij (@danroth) als je denkt dat dit moeilijk voor je zal zijn.

Cursusbeschrijving

Het doel van Machine Learning is om computersystemen te bouwen die zich kunnen aanpassen en kunnen leren van hun ervaring. In de afgelopen jaren hebben we een sterke toename gezien van toepassingen die gebruik maken van machine learning-technologieën en men kan stellen dat Machine learning essentieel is geweest voor het succes van veel recente technologieën, van natuurlijke taaltechnologieën (Siri, zoektechnologie, geautomatiseerde reclame, tekstcorrectie) tot computervisietechnologieën (beeldherkenningstoepassingen, autonome voertuigen), genomica, medische diagnose, sociale netwerkanalyse, en vele anderen.

Deze cursus zal een aantal van de belangrijkste machine learning-methoden introduceren die waardevol en succesvol zijn gebleken in praktische toepassingen. We zullen een aantal van de fundamentele vragen in machine learning bespreken – wanneer en waarom werkt leren – om een goed begrip te krijgen van de fundamentele kwesties op dit gebied, en de belangrijkste paradigma’s en technieken presenteren die nodig zijn om succesvolle prestaties te verkrijgen in toepassingsgebieden zoals natuurlijke taal en tekstbegrip, spraakherkenning, computer vision, data mining, adaptieve computersystemen en anderen. De hoofdmoot van de cursus bespreekt verschillende leerbenaderingen onder toezicht en (semi/on)onder toezicht. Deze omvatten methoden voor het leren van lineaire representaties, beslissingsboommethoden, Bayesiaanse methoden, kernelgebaseerde methoden en neurale netwerkmethoden, evenals clustering en dimensionaliteitsreductie. We zullen ook bespreken hoe problemen te modelleren als machine-leerproblemen, hoe leeralgoritmen te evalueren, en hoe om te gaan met een aantal real-world problemen, zoals ruisende gegevens, en domein aanpassing.

Voorkennis

We gaan uit van basiskennis van lineaire algebra (vooral notatie en basisbegrippen), basiswaarschijnlijkheid, calculus, en datastructuur/algoritmen op het niveau van CIS 121

Tijd en plaats

Lectures

Mon/Wed 10:30am – 12:00pm
Synchroon via Zoom

Recitaties

Tentatief, dinsdag & woensdag (Details TBD)

Voorwaarde voor CIS 519

Studenten die voor de graduate versie van deze cursus (CIS 519) zijn ingeschreven, zullen gedurende het semester extra werk moeten afronden. Dit werk zal een cursusproject omvatten, en (mogelijk) extra componenten voor het huiswerk en de examens.

Omdat de twee versies verschillende vereisten hebben, kunt u de cursus niet als CIS 419 voltooien en later een verzoek indienen om deze te wijzigen in CIS 519 voor graduate credit; als u overweegt deze cursus te wijzigen in CIS 519 voor graduate credit, moet u zich nu inschrijven voor de graduate versie.

Vergelijking met CIS 520

Vanwege de overweldigende vraag biedt Penn twee verschillende cursussen machinaal leren aan: CIS 419/519 (Applied Machine Learning) en CIS 520 (Machine Learning). Dit gedeelte beschrijft kort de verschillen tussen deze cursussen.

CIS 419/519 Applied Machine Learning (deze cursus!) is een cursus op inleidend niveau in machine learning (ML) met de nadruk op het toepassen van ML-technieken. De cursus is cross-listed tussen undergraduate (419) en graduate (519) versies; de graduate cursus 519 heeft iets andere eisen zoals hierboven beschreven. CIS 419/519 is bedoeld voor studenten die geïnteresseerd zijn in de praktische toepassing van bestaande machine-leermethoden op echte problemen, en niet zozeer in de statistische grondslagen en theorie van ML die in CIS 520 Machine Learning aan de orde komen. CIS 419/519 zal enkele van de grondslagen van ML behandelen, maar is bedoeld om minder wiskundig rigoureus te zijn dan CIS 520; dit betekent niet noodzakelijk dat het “gemakkelijker” is. Het is de bedoeling dat studenten deze klas verlaten met een goed begrip van de belangrijkste kwesties in Machine Learning, en met een solide achtergrond van hoe ze machine learning kunnen modelleren en toepassen op hun problemen.

CIS 519 is GEEN vereiste voor CIS 520. Het heeft echter weinig zin om CIS 519 te volgen nadat je CIS 520 al hebt gevolgd. Het is ook weinig zinvol, maar wel mogelijk, om eerst CIS 419/519 te volgen en dan later CIS 520.