Ceit home

Home

Machine Learning

 

 

 

Instructor:

Dr. Saeed Shiry

Spring 2013

Syllabus
Online Resources
Homework
Presentations
Exam
Projects    توجه
Link
Machine learning refers to a system capable of the autonomous acquisition and integration of knowledge. The primary objective of this course is to provide a broad introduction to machine learning, including discussions of the major approaches, basic principles, techniques, and applications of machine learning. The course gives the student the basic ideas and intuition behind modern machine learning methods as well as a bit more formal understanding of how and why they work.

Method:

The course consists of

  • Lectures with discussions,

  • Homework assignments, (The students will  implement several machine learning algorithms.)

  • Reading assignments,

  • final exam,

  • Project 

This is a research oriented course, intended first to bring the students to the state of the art, and then to help them do a project and paper of publishable quality. 

Prerequisites

Students are expected to have the knowledge of basic computer science, programming skills at a level sufficient to write a computer program, familiarity with the basic probability theory, and familiarity with the basic linear algebra.

 

Reading Material: 

Machine Learning by Tom M. Mitchell, McGraw Hill, 1997

Pattern Recognition and Machine Learning, Christopher M. Bishop, 2006

Research papers

Online resources

 

Course Evaluation: 

Homework      

Final                 

Midterm

Project             

Presentation

 

Course TA: 

Mehrab NorouziTalab

Syllabus

Introduction

مقدمه

Concept learning

یادگیری مفهوم

Linear Regression

رگراسیون خطی

Decision Tree Learning

درخت تصمیم گیری

Linear models for classification

LDA Tutorial

مدلهای خطی برای دسته بندی

 

Artificial Neural Networks

شبکه های عصبی مصنوعی

Evaluating Hypothesis

ارزیابی فرضیه

Bayesian learning

یادگیری بیزین و

 شبکه های باور بیزی

Logistic Regression

Reference

لجستیک رگراسیون

Computational Learning Theory

تئوری یادگیری محاسباتی

Instance based learning

یادگیری نمونه1

یادگیری نمونه 2

Combining Classifiers

ترکیب دسته بندی کننده ها

Mixture Model

مدل های ترکیبی

Genetic Algorithms

الگوریتم ژنتیک

Reinforcement Learning

بادگیری تقویتی

Support Vector Machine

 SVM

Learning Automata

اتوماتای یادگیر

Learning Cellular Automata

اتوماتای یادگیر سلولی

Semi Supervised Learning

یادگیری نیمه نظارتی 1

یادگیری نیمه نظارتی 2

Nonlinear Dimensionality Reduction

کاهش بعد غیر خطی

 Estimation of the Intrinsic Dimension

تخمین بعد ذاتی

Sparse representation

کدگزاری تنک

 

Online resources

 

On line book on Reonforcement learning: http://www.cs.ualberta.ca/~sutton/book/the-book.html

 

Information Theory, Inference, and Learning Algorithms. David MacKay
Introduction to Machine Learning, by Nils J. Nilsson
SVM

 

کتاب کاهش بعد

Homework

 

تحویل15 اسفند

 درخت تصمیم

تمرین اول

تحویل 15 فروردین ( به هیچ وجه تمدید نخواهد شد!)

SVM ,شبکه عصبی

تمرین دوم

تحویل 30 اردیبهشت

دسته بندی کننده های خطی، بیزین،

تمرین سوم

ترکیب دسته بندی کننده ها

تمرین چهارم

RL

تمرین پنجم

15 مرداد

پاسخ این تمرین به خانم سادات نژاد ایمیل شود

کاهش بعد

تمرین ششم

 ( تاخیر باعث صفر شدن نمره خواهد گردید. ارسال زودتر نمره اضافی دارد)

زمان تحویل پروژه 30 مرداد 1392

راهنمای ارسال تمرینات

 تمرینات را به ایمیل تدریسیار درس آقای مهندس نورزی طلب m.norouzitallab at gmail.com بفرستید.

 

   

Matlab tutorial

Waka tutorial

   

 

Exam

 

Sample Final  

مربوط به خرداد ماه 1384

  Presentations  
Projects

Project evaluation

 

لیست پروژه های دانشجویان ترم های گذشته

زمان تحویل پروژه 30 مرداد 1392

Link  
Course Email: shiry-at-aut.ac.ir
 
Last update: 28/04/2013