קורס 046195
מבוא למערכות לומדות

שבוע 0 - רקע מתימטי

• ✍️ תרגיל בית 0 - רטוב (לא להגשה) - הכירות עם Python ו Colab
• תרגול 0 - בעיות אופטימיזציה וגזירה וקטורית

שבוע 1

• הרצאה 1 - מבוא
• תרגול 1 - רקע מתמטי: חזרה על הסתברות וחיזוי

שבוע 2 - מבוא ל supervised learning

• הרצאה 2 - מושגים, שימוש במדגם, גישה דיסקרימינטיבית, מודלים פרמטרים, מאפיינים
• תרגול 2 - LLS ומאפיינים

שבוע 3 - הכללה ו overfitting

• הרצאה 3 - test set, בעיית הoverfitting, פירוק בעיית ההכללה, hyper-parameters, שימוש ב cross-validation, רגולריצזיה.
• תרגול 3 - bias-variance decomposition, רגולריזציה, k-fold cross validation.

שבוע 4 - סיווג דיסקרימינטיבי

• הרצאה 4 - בעיות סיווג, K-NN ועצי החלטה
• תרגול 4 - K-NN ועצי החלטה.

שבוע 5 - Bagging ו Boosting

• הרצאה 5 - Bagging and Boosting
• תרגול 5 - Bagging and Boosting

שבוע 6 - SVM

• הרצאה 6 - SVM ושיטות גרעין
• תרגול 6 - SVM ושיטות גרעין

שבוע 7 - שיערוך א-פרמטרי

• הרצאה 7 - שיערוך פילוג דיסקרטי, ECDF, היסטוגרמה, KDE ותוחלת מותנית.
• תרגול 7 -  שיערוך פילוג דיסקרטי, ECDF, היסטוגרמה ושיעורך פילוג מעורב

שבוע 8 - שיערוך פרמטרי וסיווג גנרטיבי

• הרצאה 8 - MLE, MAP, Naive Bayes, LDA, QDA
• תרגול 8 - MLE, MAP ו LDA

שבוע 9 - שיטות דיסקרימינטביות הסתברותיות

• הרצאה 9 - שיטות דיסקרימינטביות הסתברותיות, Logistic Regression
• תרגול 9 - Logistic Regression and Gradient Descent

שבוע 10 - רשתות נוירונים

• הרצאה 10 - רשתות נוירונים, MLP ו Back-propagation
• תרגול 10 - רשתות נוירונים, MLP ו Back-propagation

שבוע 11 - שיטות ברשתות נוירונים

• הרצאה 11 - שיטות ברשתות נוירונים
• תרגול 11 - CNN ואיתחולים

שבוע 12 - שיטות ב unsupervised learning

• הרצאה 12 - PCA ו K-means
• תרגול 12 - PCA ו K-means

שבוע 13

• הרצאה 13 - סיכום