Catalogue  Description:   Practical applications of machine learning techniques to real-world problems. Uses in data mining and recommendation systems and for building adaptive user inter- faces.

Course Description:   This is a foundational course with the primary application to data analyt- ics, but is intended to be accessible both to students from technical backgrounds such as computer science, computer engineering, electrical engineering, or mathematics; and to students from less technical backgrounds such as business administration, communication, accounting, various medi- cal specializations including preventative medicine and personalized medicine, genomics, and man- agement information systems.  A basic understanding of engineering and/or technology principles is needed, as well as basic programming skills, sufficient mathematical background in probability, statistics, and linear algebra.

Course Objectives:   Upon successful completion of this course a student will

● Broadly understand major algorithms used in machine learning.

● Understand supervised and unsupervised learning techniques.

● Understand regression methods.

● Understand resampling methods, including cross-validation and bootstrap.

● Understand decision trees, dimensionality reduction, regularization, clustering, and kernel methods.

● Understand hidden Markov models and graphical models.

● Understand feedforward and recurrent neural networks and deep learning.

Exam Dates:

● Quiz 1 (Both Sections): Thursday March 10, 7:00-8:50 PM

● Quiz 2 (Both Sections): Thursday April 28, 7:00 -8:50 PM

● Final Project Due (Both Sections, no grace period): Wednesday May 11, 4:00 PM as

set by the university

Textbooks:

● Required Textbook:

1. Gareth James, Daniela Witten, Trevor Hastie, and Robert Tibshirani, An Introduction to Statistical Learning with Applications in R, Springer, 2021. (ISLR)

Available at https://web.stanford.edu/~hastie/ISLRv2_website.pdf ● Recommended Textbooks:

1. Applied Predictive Modeling, 1st  Edition

Authors: Max Kuhn and Kjell Johnson; Springer; 2016. ISBN-13: 978-1-4614-6848-6

2. Machine Learning:  A  Concise Introduction, 1st  Edition

Author: Steven W. Knox; Wiley; 2018. ISBN-13: 978-1-119-43919-6

3.  The Elements of Statistical Learning:  Data Mining, Inference,  and Prediction, 2nd  Edi- tion

Authors:  Trevor Hastie, Robert Tibshirani, and Jerome Friedman;  Springer;  2008. (ESL) ISBN-13: 978-0387848570

4. Machine Learning:  An Algorithmic Perspective, 2nd  Edition

Author: Stephen Marsland; CRC Press; 2014. ISBN-13: 978-1-4614-7137-0

5. Deep Learning, 1st  Edition

Authors: Ian Goodfellow, Yoshua Bengio, and Aaron Courville; MIT Press; 2016. (DL) ISBN-13: 978-0262035613

6. Neural Networks and Learning Machines, 3rd  Edition

Author: Simon Haykin; Pearson; 2008. ISBN-13: 978-0131471399

7. Neural Networks and Deep Learning:  A  Textbook, 1st  Edition

Authors: Charu Aggrawal; Springer; 2018. ISBN-13: 978-3319944623

8. Introduction to Machine Learning, 2nd  Edition

Author: Ethem Alpaydine; MIT Press; 2010. (AL) ISBN-13: 978-8120350786

9. Machine Learning, 1st  Edition

Authors: Tom M. Mitchell; McGraw-Hill Education; 1997. ISBN-13: 978-0070428072

Grading Policies:

● The letter grade distribution table guarantees the minimum grade each student will receive based on their final score. When appropriate, relative performance measures will be used to assign the final grade, at the discretion of the instructor.

– Final grades are non-negotiable and are assigned at the discretion of the instructor.  If you cannot accept this condition, you should not enroll in this course.

● Your lowest homework grade and half of your second lowest homework grade will be dropped from the final grade. For example, if you received 90, 85, 10, 95, 65, 80, 100, 100 your home- work score will be  = 89.62 instead of  = 78.13.

● Homework 0 will not be graded.

● *Participation on Piazza has up to 5% extra credit, which is granted on a competitive basis at the discretion of the instructor.

● Homework Policy

– Homework is assigned on an approximately biweekly basis.  Homework due dates are mentioned in the course outline, so mark your calendars.  A two-day grace period can be used for each homework with 10% penalty per day. Absolutely no late homework will be accepted after the grace period.  A late assignment results in a zero grade.

– Assignments are project-style; therefore, we do not provide solutions to the assignments. This is a firm rule.

–  Poor internet connection, failing to upload properly, or similar issues are NOT acceptable reasons for late submissions.   If you want to make sure that you do not have such problems, submit homework eight hours earlier than the deadline. Please do not ask the instructor to make individual exceptions.

– Homework solutions and simulation results should be typed or scanned using scanners or mobile scanner applications like CamScan and uploaded (photos taken by cell-phone cameras and in formats other than pdf will NOT be accepted). Programs and simulation results have to be uploaded on GitHub as well.

–  Students are encouraged to discuss homework problems with one another,  but each student must do their own work  and submit individual solutions written/ coded in their own hand. Copying the solutions or submitting identical homework sets is written evidence of cheating. The penalty ranges from F on the homework or exam, to an F in the course, to recommended expulsion.

–  Posting the homework assignments and their solutions to online forums or sharing them with other students is strictly prohibited and infringes the copyright of the instructor. Instances will be reported to USC officials as academic dishonesty for disciplinary action.

● Exam Policy

–  Make-up Exams:  No make-up exams will be given.  If you cannot make the above dates due to a class schedule conflict or personal matter, you must drop the class.  In the case of a required business trip or a medical emergency, a signed letter from your

manager or physician has to be submitted. This letter must include the contact of your physician or manager.

–  Quizzes/exams will be closed book and notes.  Calculators are allowed but computers and cell-phones or using any devices that have internet capability are not allowed, except for writing the solutions or being proctored are not allowed. One letter size cheat sheet (back and front) is allowed for Quiz 1. Two letter size cheat sheets (back and front) are allowed for Quiz 2.

– All exams are cumulative, with an emphasis on material presented since the last exam.

● Attendance:

–  Students are required to attend all the lectures and discussion sessions and actively par- ticipate in class discussions. Use of cellphones and laptops is prohibited in the classroom. If you need your electronic devices to take notes, you should discuss with the instructor

at the beginning of the semester.

Important Notes:

● Textbooks are secondary to the lecture notes and homework assignments.

● Handouts and course material will be distributed.

● Please use your USC email to register on Piazza and to contact the instructor and TAs.