Ceit home

Ceit 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
	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

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
			تمرین ششم
			تمرین هفتم

	( تاخیر باعث صفر شدن نمره خواهد گردید. ارسال زودتر نمره اضافی دارد) راهنمای ارسال تمرینات تمرینات را به ایمیل تدریسیار درس آقای مهندس نورزی طلب m.norouzitallab at gmail.com بفرستید.

Matlab tutorial

Exam

مربوط به خرداد ماه 1384

Presentations

Projects

Project evaluation

لیست پروژه های دانشجویان ترم های گذشته

Link

Course Email:

shiry-at-aut.ac.ir

Last update: 28/04/2013