Masinõppe kursuse üldeesmärk on tutvuda masinõppe eri meetoditega teoreetilisest ja praktilisest
aspektist.

Objective is to study principles of machine learning from theoretical and practical aspects

Kursuse läbinud üliõpilane on võimeline
- Iseseisvalt läbi viima masinõppe metodoloogiaid kasutavaid andmeanalüüsi projekte
- Teadma ja oskama valida erinevate masinõppe metoodikate vahel
- Kirjeldama eri masinõppe meetodite olulisemaid teoreetilisi aspekte

Upon successful completion of this course, students should be able to:
- know different subfields of machine learning
- can choose objectively methods suitable for data analysis with machine learning methods,
- independently perform projects related to machine learning.

Masinõppe kursus käsitleb metoodikaid ja algoritme mille abil arvutiprogrammid võivad õppida andmete
(näidete) baasil uusi teadmisi.
Kursusel käsitletakse masinõppe põhiprintsiipe, andmete eeltöötlemist, tõenäosuslikke meetodeid,
tugivektor masinaid, andmete kombineerimist jne. Lisaks vaadeldakse mitmeid masinõppe
rakendusvaldkondi. Kursuse raames viiakse õpitu kinnistamiseks läbi praktilisi töid.

Machine learning is a subdiscipline of computer science dealing with methods and algorithms that allow
programs to derive knowledge from data (examples). The course will cover different aspects of machine
learning starting from first principles. Course covers the main concepts of machine learning, training and
testing, data preprocessing, supervised and unsupervised learning (clustering), support vector machines,
probabilistic approaches, data fusion, etc. Additionally various applications will be covered. Course will
have homeworks and practical assignments to increase its efficiency.

eristav

grading

-

-

Tartu Ülikooli aine

-