MATS2900 Mathematics of machine learning (5 op)
Kuvaus
Osaamistavoitteet
Opintojakson suoritettuaan opiskelija ymmärtää
koneoppimisen matemaattisen perustan. Mitä tarkoitetaan PAC-oppimisella? Mitkä hypoteesiluokat ovat PAC-opittavissa, ja mikä on tämän kysymyksen yhteys hypoteesiluokan Vapnik-Chervonenkis (VC-)dimensioon? Pääesimerkkeinä yleisestä teoriasta toimivat perseptronit ja neuroverkot. Mikä on neuroverkkojen VC-dimensio? Mikä funktiot voidaan esittää neuroverkkojen avulla? Mikä on (stokastinen) gradienttimenetelmä, ja milloin sitä voidaan käyttää PAC-oppimisongelman ratkaisuun?
Esitietojen kuvaus
Opintojaksolla käytetään runsaasti todennäköisyyksiä ja odotusarvoja sekä lineaarialgebraa. Näitä varten suositellaan esitiedoiksi kursseja
- Stokastiikan perusteet, Todennäköisyysteoria 1
- Mitta- ja integraaliteoria 1
- Lineaarialgebra ja geometria 1 ja 2
- Vektorianalyysi 1.
Oppimateriaalit
Alustava luentomoniste (englanniksi) on saatavilla osoitteessa
https://drive.google.com/file/d/1lQsGGwV-hJZnmN1jr1e6ouQD_uA8zv4X/view
Luentomoniste perustuu suurelta osin Shai Shalev-Shwartzin and Shai Ben-Davidin kirjaan "Understanding Machine Learning". Kirjan voi (kirjoitushetkellä) ladata maksutta ensimmäisen kirjoittajan verkkosivulta.