• A csatlakozáshoz győződjön meg róla, hogy szerepel a CIS várólistán. A frissítéseket az információk rendelkezésre állása esetén közöljük. Eddig minden 4. vagy annál alacsonyabb kategóriába tartozó személy kapott engedélyt a regisztrációra. Jelenleg úgy véljük, hogy a várólistán szereplők közül mindenki be fog kerülni az osztályba.

  • Kérjük, hogy ismerje meg a weboldal többi részét, különösen a Szabályzat és a Tananyag részeket. Kérlek, használd a Piazza-t, hogy kérdéseket tegyél fel nekünk, vagy írj nekem (@danroth) egy e-mailt.

  • Az óra szinkron óraként fog futni. Néhány kivételtől eltekintve a részvétel (és így a jelenlét) kötelező. Kérlek, beszélj velem (@danroth), ha úgy gondolod, hogy ez nehéz lesz számodra.

Tanfolyam leírása

A gépi tanulás célja olyan számítógépes rendszerek létrehozása, amelyek képesek alkalmazkodni és tanulni a tapasztalataikból. Az elmúlt években megugrott a gépi tanulási technológiákat alkalmazó alkalmazások száma, és azt lehet állítani, hogy a gépi tanulás számos közelmúltbeli technológia sikeréhez elengedhetetlenül hozzájárult, a természetes nyelvi technológiáktól kezdve (Siri, keresési technológia, automatizált reklámok, szövegjavítás) a számítógépes látás technológiáin át (képfelismerő alkalmazások, autonóm járművek), a genomikáig, az orvosi diagnosztikáig, a szociális hálózatok elemzéséig és sok másig.

Ez a kurzus bemutat néhány kulcsfontosságú gépi tanulási módszert, amelyek a gyakorlati alkalmazásokban értékesnek és sikeresnek bizonyultak. Megvitatjuk a gépi tanulás néhány alapvető kérdését — mikor és miért működik a tanulás — annak érdekében, hogy jól megértsük a terület alapvető kérdéseit, és bemutatjuk a főbb paradigmákat és technikákat, amelyek szükségesek a sikeres teljesítmény eléréséhez olyan alkalmazási területeken, mint a természetes nyelv- és szövegértés, beszédfelismerés, számítógépes látás, adatbányászat, adaptív számítógépes rendszerek és mások. A kurzus fő része számos felügyelt és (félig/nem) felügyelt tanulási megközelítést tekint át. Ezek közé tartoznak a lineáris reprezentációk tanulására szolgáló módszerek, a döntési fa módszerek, a Bayes-módszerek, a kernel alapú módszerek és a neurális hálózatok módszerei, valamint a klaszterezés és a dimenziócsökkentés. Kitérünk arra is, hogyan modellezzük a problémákat gépi tanulási problémaként, hogyan értékeljük a tanulási algoritmusokat, és hogyan kezeljünk néhány valós problémát, például a zajos adatokat és a tartományi adaptációt.

Előfeltételek

A lineáris algebra (főként jelölések és alapfogalmak), az alapvető valószínűségszámítás, a számtan és az adatszerkezet/algoritmusok CIS 121 szintű ismeretét feltételezzük

idő és helyszín

Oktatások

hétfő/hétfő 10:30 – 12:00pm
Synchronously via Zoom

Egyetemi előadások

Tervezetten, kedd & szerda (Részletek TBD)

Kiegészítő követelmény CIS 519

A kurzus végzős változatára (CIS 519) regisztrált hallgatóknak a félév során további munkát kell teljesíteniük. Ez a munka magában foglal egy kurzusprojektet, valamint (esetleg) további komponenseket a házi feladatokhoz és a vizsgákhoz.

Mivel a két változatnak eltérő követelményei vannak, nem lehet a kurzust CIS 419-ként teljesíteni, és később kérvényezni, hogy a kurzust CIS 519-re változtassák a graduális kredit megszerzése érdekében; ha fontolgatja, hogy ezt a kurzust CIS 519-re változtatja a graduális kredit megszerzése érdekében, akkor most kell jelentkeznie a graduális változatra.

Összehasonlítás a CIS 520-zal

Az elsöprő kereslet miatt a Penn két különböző gépi tanulás kurzust kínál: CIS 419/519 (Alkalmazott gépi tanulás) és CIS 520 (Gépi tanulás). Ez a szakasz röviden ismerteti e kurzusok közötti különbségeket.

A CIS 419/519 Alkalmazott gépi tanulás (ez a kurzus!) a gépi tanulás (ML) bevezető szintű kurzusa, amely az ML-technikák alkalmazására helyezi a hangsúlyt. A kurzus keresztlistás alapképzési (419) és mesterképzési (519) változata; az 519-es mesterképzési kurzusnak némileg eltérő követelményei vannak a fent leírtak szerint. A CIS 419/519 olyan hallgatóknak szól, akiket a meglévő gépi tanulási módszerek valós problémákra történő gyakorlati alkalmazása érdekel, nem pedig a CIS 520 Gépi tanulásban tárgyalt statisztikai alapok és az ML elmélete. A CIS 419/519 le fogja fedni az ML néhány alapját, de matematikailag kevésbé szigorúnak szánták, mint a CIS 520-t; ez nem feltétlenül jelenti azt, hogy “könnyebb”. A tervek szerint a hallgatók úgy hagyják el ezt az órát, hogy jól értik a gépi tanulás kulcsfontosságú kérdéseit, és szilárd háttérrel rendelkeznek a gépi tanulás modellezésének és problémáikra való alkalmazásának módjáról.

A CIS 519 NEM előfeltétele a CIS 520-nak. A CIS 519-et azonban nem sok értelme van a CIS 520 elvégzése után felvenni. Annak is kevés értelme van, de lehetséges, ha először a CIS 419/519-et veszik fel, majd később a CIS 520-at.