Aine eesmärk on:
- tutvustada enamlevinud kaasaegseid masinõppe meetodeid;
- luua arusaam masinõppe meetodite baasiks olevast matemaatilisest aparatuurist;
- seostada varem õpitud matemaatilisi meetodeid masinõppe rakendustega;
- õppida programmeerima lihtsamaid masinõppe meetodeid;
- õppida tundma ja kasutama olemasolevaid masinõppe algoritme realiseerivaid pakette ja teeke.

The aim of this course is to:
- introduce the main methods in modern machine learning;
- establish the understanding of the mathematical basis of the machine learning methods;
- establish the connection between the previously studied mathematical courses and machine learning;
- learn to program simple machine learning models;
- get to know and use the existing tools and libraries implementing machine learning models and algorithms.

Õppeaine läbinud üliõpilane:
- nimetab põhilisi kaasaegseid masinõppe meetodeid;
- klassifitseerib ülesandeid ja valib nende lahendamiseks sobivaid masinõppe algoritme;
- programmeerib lihtsamaid masiõppe algoritme;
- kasutab olemasolevaid pakette ja teeke uute ülesannete lahendamiseks;
- hindab eri masinõppe meetodite sobivust uute ülesannete lahendamiseks.

Upon completing this course the student:
- lists the main machine learning methods;
- classifies problems and chooses proper methods for each type of problems;
- programs simple machine learning algorithms;
- uses existing tools and libraries for solving new problems;
- estimates the suitability of different methods for solving new problems.

Põhimõisted: õppimine, üleõppimine, alaõppimine, juhendatud ja juhendamata õppimine, meetodi üldistusvõime.
Erinevad mudelid: regressioon, logistiline regressioon ja klassifitseerimine, närvivõrgud, Bayesi meetodid, klasterdamine, tugivektormasinad ja kernelid, tagasisidega õppimine, komponentanalüüsi meetodid, markovi mudelid
Meetodid: maksimaalse tõepära meetod, ootuste maksimeerimise meetod
Modelleerimise paradigmad: klassikaline, bayesiaanlik, parameetriline, mitteparameetriline
Optimeerimisalgoritmid: esimest ja teist järku meetodid.

Eeldused: Mat.analüüs I, Lineaaralgbra, Tõenäpsusteooria ja statistika. Samuti eeldatakse, et üliõpilane oskab programeerida.

Main concepts: learning, overfitting, underfitting, supervised learning, unsupervised learning, generalization ability.
Models: regression, logistic regression and classification, neural networks, Bayes methods, clustering, support vector machines and kernels, reinforcement learning, component analysis methods, markov models
Methods: maximum likelihood estimation, expectation-maximization method
Modelling paradigms: frequentist, Bayesian, parametric, non-parametric.
Optimization: first and second order methods.

The student should possess basic knowledge of calculus, linear algebra, probability theory and statistics and computer programming before joining this course.

Eksam 30%, kodutööd 70%.

Exam 30%, homework 70%.

Programmeerimisülesanded, kodulugemine.

Programming exercises, home reading.

Christopher M. Bishop, “Pattern Recognition and Machine Learning”, Springer, 2007.
Kevin Murphy, “Machine Learning: A Probabilistic Perspective”, MIT Press, 2012.
Kursuse veebileht: https://courses.cs.ttu.ee/pages/ITI8565
The student should possess basic knowledge of calculus, linear algebra and computer programming before studying this course.

-