MACHINE LEARNING (AI):

Kelas ini merupakan pengenalan kursus prasiswazah dalam pembelajaran mesin. Secara ringkasnya akan meliputi topik dalam Pengenalan kepada Pembelajaran Mesin, Regresi Linear, Aljabar Linear, Klasifikasi Linear, Pokok Kataputus, Klasifikasi Multi-kelas, Rangkaian Neural, Pengelompok, Analisa Komponen Prinsip, dan Mesin Sokongan Vektor. Kursus ini merangkumi aspek teori dan praktikal bagi Rangkaian Neural. Topik-topik yang akan dibincangkan dalam kursus ini ialah : (i) Asas Perkomputeran Rangkaian Neural, yang berlawanan dengan pendekatan algoritma, Penyelesaian masalah AI yang tradisi, dan seni bina Von Neumann; (ii) Model-model Rangkaian Neural yang penting, seperti Adaline dan Perceptron, rangkaian feedforward dan feedback; rangkaian berulang, rangkaian self-organizing (Model Kohonen dan model ART bagi Grossberg); dan Rangkaian termodinamik (Hopfield model, Boltzmann/Gauss/Cauchy machines); (iii) Kaedah Pembelajaran, seperti Pembelajaran Hebbian, Pembelajaran Teori Perceptron Pembelajaran, perambat-balik, Pembelajaran tak selia persaingan. Penekanan akan diberikan terhadap model-model asas dan teknik-teknik yang berkaita. Analisa ciri-ciri matematik bagi sesetengah model rangkaian akan diberikan bagi membindangkan kekurangan model-model tersebut. Perbincangan tentang aplikasi dan praktikal bagi teknik-teknik yang dinyatakan akan dilakukan. Para pelajar akan didedahkan dengan latihan-latihan yang diberikan melalui projek. Kursus ini terlibat dengan aspek-aspek komputer bagi rangkaian neural, oleh itu pengetahuan asas berkaiatan struktur data, analisa algoritma, aljabar linear, dan persamaan pembeza akan membantu dalam pemahaman kursus ini tetapi tiada pengetahuan berkaitan sains psikologi/biological/dan kognitif tidak menjadi masalah.

This class is an introductory undergraduate course in machine learning. The class will briefly cover topics in Introduction to Machine Learning, Linear Regression, Linear Algebra, Linear Classification, Decision Trees, Multi-class Classification, Neural Networks, Clustering, PCA, and Support Vector Machines. The course consists of theoretical and practical approach for Neural Network. Topics that will be covered includes: i) Basis of Neural network computing vs algorithm approach, traditional AI problem solving and Von Neumann architectur;ii)Important neural network models: Adaline and Perceptron, feedforward & feedback network; looping network; self orgnanizing network (Kohonen Model and ART model for Grossberg); and  thermodynamic network(Hopfield model, Boltzmann/Gauss/Cauchy machines);ii) Learning method: Hebbian learning, Teori Perceptron Learning, back-propagation learning, unsupervised competitive learning.Basic models with related techniques will be emphasized. Mathematical characteristics for some neural models will be given and compared, and discussions on the application as well as the practicality of it will be carried as well. This course is directly related to computing aspects for neural networks and therefore basic knowledge on data structure, algorithms analysis, linear algebra and differential equations will helps in understanding it. No basic knowledge in psychology, biology and cognitive will not be a problem. Students will be given (a) project(s) to exercise their understandings.