• Aby dołączyć, upewnij się, że jesteś na liście oczekujących CIS. Aktualizacje będą przekazywane w miarę dostępności informacji. Do tej pory wszystkie osoby z kategorii 4 lub niższej otrzymały pozwolenie na rejestrację. W tym momencie wierzymy, że wszystkie osoby z listy oczekujących dostaną się na zajęcia.

  • Proszę zapoznać się z innymi częściami tej strony internetowej, w szczególności z sekcjami Polityka i Syllabus. Proszę używać Piazza do zadawania nam pytań, lub napisać do mnie (@danroth) e-mail.

  • Zajęcia będą prowadzone jako zajęcia synchroniczne. Z kilkoma wyjątkami, uczestnictwo (a co za tym idzie, obecność) jest obowiązkowe. Proszę porozmawiać ze mną (@danroth) jeśli uważasz, że będzie to dla Ciebie trudne.

Opis kursu

Celem uczenia maszynowego jest zbudowanie systemów komputerowych, które mogą się dostosować i uczyć się na podstawie swoich doświadczeń. W ostatnich latach widzieliśmy gwałtowny wzrost aplikacji, które wykorzystują technologie uczenia maszynowego i można twierdzić, że uczenie maszynowe było niezbędne do sukcesu wielu ostatnich technologii, od technologii języka naturalnego (Siri, technologia wyszukiwania, automatyczna reklama, korekta tekstu) do technologii widzenia komputerowego (aplikacje rozpoznawania obrazu, pojazdy autonomiczne), genomika, diagnostyka medyczna, analiza sieci społecznych i wiele innych.

Kurs ten wprowadzi niektóre z kluczowych metod uczenia maszynowego, które okazały się cenne i skuteczne w praktycznych zastosowaniach. Omówimy niektóre z podstawowych pytań w uczeniu maszynowym – kiedy i dlaczego uczenie działa – w celu uzyskania dobrego zrozumienia podstawowych zagadnień w tej dziedzinie, a także przedstawić główne paradygmaty i techniki potrzebne do uzyskania udanej wydajności w obszarach zastosowań, takich jak język naturalny i rozumienie tekstu, rozpoznawanie mowy, wizja komputerowa, eksploracja danych, adaptacyjne systemy komputerowe i inne. W głównej części kursu zostanie omówionych kilka podejść do uczenia nadzorowanego i (pół)nadzorowanego. Należą do nich metody uczenia reprezentacji liniowych, metody drzew decyzyjnych, metody bayesowskie, metody oparte na jądrach i sieciach neuronowych, a także metody klasteryzacji i redukcji wymiarowości. Omówimy również jak modelować problemy jako problemy uczenia maszynowego, jak oceniać algorytmy uczenia i jak radzić sobie z niektórymi problemami w świecie rzeczywistym, takimi jak hałaśliwe dane i adaptacja domeny.

Wymagania wstępne

Zakładamy podstawową znajomość algebry liniowej (głównie notacji i podstawowych pojęć), podstaw prawdopodobieństwa, rachunku i struktury danych/algorytmów na poziomie CIS 121

Czas i lokalizacja

Lekcje

Mon/Wed 10:30am – 12:00pm
Synchronicznie przez Zoom

Recytacje

Tentycznie, wtorek & środa (Szczegóły TBD)

Dodatkowe wymagania dla CIS 519

Studenci zarejestrowani w wersji absolwenta tego kursu (CIS 519) będą zobowiązani do ukończenia dodatkowej pracy przez cały semestr. Ta praca będzie obejmować projekt kursu i (ewentualnie) dodatkowe elementy pracy domowej i egzaminów.

Ponieważ te dwie wersje mają różne wymagania, nie można ukończyć kursu jako CIS 419, a później złożyć petycję o zmianę na CIS 519 w celu uzyskania kredytu absolwenta; jeśli rozważasz zmianę tego kursu na CIS 519 w celu uzyskania kredytu absolwenta, powinieneś zarejestrować się teraz na wersję dla absolwentów.

Porównanie do CIS 520

Dzięki przytłaczającemu popytowi, Penn oferuje dwa różne kursy uczenia maszynowego: CIS 419/519 (Applied Machine Learning) i CIS 520 (Machine Learning). Ta sekcja krótko opisuje różnice między tymi kursami.

CIS 419/519 Applied Machine Learning (ten kurs!) to kurs na poziomie wprowadzającym do uczenia maszynowego (ML) z naciskiem na zastosowanie technik ML. Kurs jest cross-listed między licencjackich (419) i absolwent (519) wersji; absolwent kurs 519 ma nieco inne wymagania, jak opisano powyżej. CIS 419/519 jest przeznaczony dla studentów, którzy są zainteresowani praktycznym zastosowaniem istniejących metod uczenia maszynowego do rzeczywistych problemów, a nie w statystycznych podstawach i teorii ML objętych CIS 520 Machine Learning. CIS 419/519 obejmuje niektóre z fundamentów ML, ale ma być mniej rygorystyczny matematycznie niż CIS520; to nie musi oznaczać, że jest „łatwiejszy”. Plan jest dla studentów, aby opuścić tę klasę z dobrym zrozumieniem kluczowych zagadnień w Machine Learning, i z solidnym tłem, jak modelować i stosować uczenie maszynowe do swoich problemów.

CIS 519 NIE jest warunkiem wstępnym dla CIS 520. Jednakże, nie ma sensu brać CIS 519 po wcześniejszym wzięciu CIS 520. Nie ma również sensu, ale jest to możliwe, aby najpierw wziąć CIS 419/519, a następnie wziąć CIS 520.