היכולת לעבד מידע ולהסיק מסקנות ממנו ביעילות הינה קריטית בהתמודדות עם כמויות המידע הענקיות של מהפכת האינפורמציה (Big Data).

מכונות לומדות לצורך חיזוי ומציאת תבניות כבר הוכיחו את חשיבותם בתחומים כמו זיהוי דיבור, אינטלגנציה עיסקית (BI), ראיה ממוחשבת, זהוי הונאות, ועוד.

מכונות לומדות הם גם הטכנולוגיה בעלת הפוטנציאל הגדול ביותר לחזון יצירת רובוטים או סוכנים אשר מתנהלים בעולם האמיתי ובדומה ליצורים מבוססי פחמן,

מתאימים עצמם ולומדים כדי להשיג מטרתם.

בעזרת רשתות נוירונים מלאכותיות שהינן מודלים אדפטיביים המקבלים את השראתם מהמוח וממערכת העצבים המרכזית.

רשתות נוירונים עמוקות הינן היום בחזית הטכנולוגיה של למידת מכונה ומשמשות במערכות מסחריות רבות

כמו זיהוי ספרות בצ'קים או מיקוד על מעטפות דואר, זיהוי רגש בקול או בתמונה, ראיה ממוחשבת ומכוניות אוטונומיות, תירגום אוטומטי ועוד....

בקורס זה נלמד את היסודות האלגוריתמיים והסטטיסטיים של רשתות נוירונים ונלמד סוגי למידה שונים, כגון למידה מונחית, ולמידה שאינה מונחית (unsupervised).

נראה כיצד רשתות נוירונים עמוקות ומייצרים היררכיה של features "טובים", המאפשרים למידה מונחית מדויקת יותר.

נלמד את אלגוריתם חלחול השגיאה אחורה ומגוון ארכיטקטורות המאפשרות להתגבר על בעיות באלגוריתם הבסיסי.

נסקור רשתות קונוולוציה עמוקות המשמשות בראיה ממוחשבת, רשתות Recurrent ומנגנוני Attention, , לעיבוד שפה טבעית.

למידת מכונה (Machine Learning) לעיתים מכונה גם למידה חישובית היא תת-תחום במדעי המחשב ובבינה מלאכותית המשיק לתחומי הסטטיסטיקה והאופטימיזציה.

התחום עוסק בפיתוח אלגוריתמים המיועדים לאפשר למחשב ללמוד מתוך דוגמאות, ופועל במגוון משימות חישוביות בהן התכנות הקלאסי אינו אפשרי או אינו כדאי.

למידת מכונה היינו תחום חדש באופן יחסי ולאחרונה אחראי לפריצות דרך משמעותיות בעולמות הבינה המלאכותית, כריית המידע וגילוי אוטומטי של ידע מתוך נתונים.

בבסיס תחום זה עומדת היכולת לגרום למחשבים לפעול ״עצמאית״ מבלי לתכנת אותם, וזאת ע״י אנליזה וניתוח כמויות גדולות של מידע מהעבר שיאפשר לזהות תבניות ולחזות התנהגותיות בעתיד.