机构名称：
¥ 2.0
l t p c 3 0 0 3课程目标：1。审查和加强AI和ML所需的重要数学概念。2。从数据中介绍学习模式的概念，并为理解艺术机器学习算法的状态建立了强大的理论基础。课程成果：完成后，学生将能够：1。设计和实施机器学习解决方案，以解决分类，回归和聚类问题。2。评估和解释不同ML技术的结果。3。在一系列真实的应用程序中设计和实施各种机器学习算法。单元 - 我定义人工智能，使用谓词逻辑定义AI技术，并表示知识作为规则，代表逻辑，可计算功能和谓词中的简单事实，程序与声明性知识，逻辑编程单元-II数学基础：矩阵理论和机器学习的统计学。机器从数据中学习，问题的分类 - 回归和分类，监督和无监督的学习。单元-III线性回归：单个变量的模型表示，单个变量成本函数，线性回归的梯度体面，实践中的梯度不错。单元-IV逻辑回归：分类，假设表示，决策边界，成本函数，高级优化，多分类（一个与全部），过度拟合的问题。单元 - v讨论集群算法和用例围绕聚类和分类的讨论。教科书：1。2。Saroj Kaushik，人工智能，Cengage Learning，第一版2011年。Yuxi（Hayden）Liu，“以身作则的Python机器学习”，Packet Publishinglimited，2017年。参考书：1。Anindita Das Bhattacharjee，“实用的工作簿人工智能和针对初学者的软计算，Shroff Publisher-X Team Publisher2。汤姆·米切尔（Tom Mitchell），机器学习，麦格劳·希尔（McGraw Hill），2017年。3。Christopher M. Bishop，《模式识别与机器学习》，Springer，2011年。4。T. Hastie，R。Tibshirani，J。Friedman。统计学习的要素，2e，2011年。相应的在线资源：1。人工智能，https://swayam.gov.in/nd2_cec20_cs10/preview。
b.tech（Minor（AI＆ML））
主要关键词
相关文件推荐
![人工智能 [r18a1205] 讲义 b.tech iii 年...](/simg/b/b5bc5f29c7d7158459a7c57ccf70711907932704.png)
