• För att kunna delta måste du se till att du står på väntelistan för CIS. Uppdateringar kommer att meddelas när information blir tillgänglig. Hittills har alla personer i kategori 4 eller lägre fått tillstånd att anmäla sig. För närvarande tror vi att alla personer på väntelistan kommer att komma in i klassen.

  • Vänligen ska du känna till de andra delarna av denna webbplats, särskilt avsnitten Policy och Syllabus. Använd Piazza för att ställa frågor eller skicka ett e-postmeddelande till mig (@danroth).

  • Klassen kommer att hållas som en synkron klass. Med några få undantag är deltagande (och därmed närvaro) obligatoriskt. Prata med mig (@danroth) om du tror att detta kommer att vara svårt för dig.

Kursbeskrivning

Målet med maskininlärning är att bygga datorsystem som kan anpassa sig och lära sig av sina erfarenheter. Under de senaste åren har vi sett en våg av tillämpningar som använder sig av teknik för maskininlärning och man kan hävda att maskininlärning har varit avgörande för framgången för många nyare tekniker, från teknik för naturligt språk (Siri, sökteknik, automatiserad reklam, textkorrigering) till teknik för datorseende (bildigenkänningstillämpningar, självkörande fordon), genomik, medicinsk diagnostik, analys av sociala nätverk och många andra.

I den här kursen introduceras några av de viktigaste metoderna för maskininlärning som visat sig värdefulla och framgångsrika i praktiska tillämpningar. Vi kommer att diskutera några av de grundläggande frågorna inom maskininlärning – när och varför fungerar inlärning – för att få en god förståelse för de grundläggande frågorna på detta område, och vi kommer att presentera de viktigaste paradigmerna och teknikerna som behövs för att uppnå framgångsrika resultat inom tillämpningsområden som förståelse av naturligt språk och text, taligenkänning, datorseende, datautvinning, adaptiva datorsystem och andra. Huvuddelen av kursen kommer att innehålla en genomgång av flera metoder för övervakad och (halv- eller oövervakad) inlärning. Dessa omfattar metoder för inlärning av linjära representationer, beslutsträdsmetoder, Bayesianska metoder, kärnbaserade metoder och metoder för neurala nätverk samt klusterbildning och dimensionalitetsreducering. Vi kommer också att diskutera hur man modellerar problem som maskininlärningsproblem, hur man utvärderar inlärningsalgoritmer och hur man hanterar vissa verkliga problem som t.ex. bullriga data och domänanpassning.

Förkunskapskrav

Vi förutsätter grundläggande förtrogenhet med linjär algebra (främst notation och grundläggande begrepp), grundläggande sannolikhet, kalkyl och datastruktur/algoritmer på nivån CIS 121

Tid och plats

Föreläsningar

Mån/ons 10:30-12:00:00pm
Synkront via Zoom

Recitations

Tentativt, tisdag & onsdag (detaljer TBD)

Tillkommande krav för CIS 519

Studenter som är registrerade för den högre versionen av den här kursen (CIS 519) kommer att behöva utföra ytterligare arbete under hela terminen. Detta arbete kommer att innefatta ett kursprojekt och (eventuellt) ytterligare komponenter till läxorna och proven.

Då de två versionerna har olika krav kan du inte slutföra kursen som CIS 419 och senare ansöka om att få den ändrad till CIS 519 för tillgodoräknande på forskarnivå; om du funderar på att ändra kursen till CIS 519 för tillgodoräknande på forskarnivå bör du registrera dig på forskarutbildningsversionen nu.

Vid jämförelse med CIS 520

På grund av överväldigande efterfrågan erbjuder Penn två olika kurser i maskininlärning: CIS 419/519 (tillämpad maskininlärning) och CIS 520 (maskininlärning). I det här avsnittet beskrivs kortfattat skillnaderna mellan dessa kurser.

CIS 419/519 Applied Machine Learning (den här kursen!) är en kurs på introduktionsnivå i maskininlärning (ML) med tonvikt på tillämpning av ML-tekniker. Kursen är korslistad mellan grundkursen (419) och doktorandversionen (519); doktorandkursen 519 har något annorlunda krav som beskrivs ovan. CIS 419/519 är avsedd för studenter som är intresserade av den praktiska tillämpningen av befintliga metoder för maskininlärning på verkliga problem, snarare än av de statistiska grunderna och teorin för ML som behandlas i CIS 520 Machine Learning. CIS 419/519 kommer att täcka en del av grunderna för ML, men är tänkt att vara mindre matematiskt rigorös än CIS 520. Detta betyder inte nödvändigtvis att den är ”enklare”. Planen är att studenterna ska lämna kursen med en god förståelse för de viktigaste frågorna inom maskininlärning och med en gedigen bakgrund till hur man modellerar och tillämpar maskininlärning på sina problem.

CIS 519 är INTE ett förkunskapskrav för CIS 520. Det är dock föga meningsfullt att läsa CIS 519 efter att redan ha läst CIS 520. Det är också föga meningsfullt, men möjligt, att ta CIS 419/519 först och sedan senare ta CIS 520.