Sylabus
1. Statistické modely strojového učení.
2. Supervidované a nesupervidované učení.
3. Zevšeobecňující schopnost strojového učení.
4. Neuronové sítě a hluboké učení.
5. Bayesovské strojové učení a bayesovské sítě.
Anotace
Ve strojovém učení se rozvíjí matematické metody pro modelování datových struktur, které vyjadřují závislost mezi pozorovatelnými, a navrhují efektivní učící algoritmy pro odhady této závislosti. Nejpokročilejší část strojového učení je statistická teorie učení, která bere v potaz naši neúplnou znalost pozorovatelných, s užitím teorie pravděpodobnosti, nebo raději teorie míry a funkcionální analýzy.
Takto můžeme nejen odhalovat skrytou strukturu dat, ale také vytvářet predikce pro budoucnost.