Makine Öğrenmesi (ML), geçmiş, güncel ve gelecekteki verileri kullanarak bir performans kriterini optimize etmek için yöntemleri ve algoritmaları belirlemeye ve doğrulamaya odaklanan bir yapay zeka dalıdır. Farklı alanlarda çeşitli başarılı uygulamalarla akıllı sistemlerin geliştirilmesinde devam eden artışın arkasındaki ana itici güçtür. Bu nedenle, hem bilimde (biyoloji, sinirbilim, psikoloji, astronomi vb.) hem de mühendislikte (doğal dil işleme, bilgisayarla görme, robotik, otonom sistemler vb.) birçok veriye dayalı uygulamanın önemli bir parçası haline gelmiştir. Ancak makine öğrenmesi tek bir yaklaşım değildir; daha ziyade bilgisayar bilimi, bilgi teorisi, istatistik, sinirsel hesaplamaya kadar pek çok alanı kapsayan, görünüşte farklı çerçeveler ve paradigmalardan oluşan göz kamaştırıcı bir diziden oluşur. Bu nedenle, makine öğrenimi algoritmalarının kapsamlı sınıflandırması zor bir çalışmadır. Bununla birlikte, geleneksel bir öğrenme stili perspektifi kullanılarak, makine öğrenimi algoritmaları kolayca üç grupta toplanabilir: denetimli öğrenme yöntemleri (generatif / ayırt edici öğrenme, parametrik / parametrik olmayan öğrenme, derin sinir ağları, destek vektör makineleri, vb.); denetimsiz öğrenme yöntemleri (kümeleme, boyut azaltma ve kernel yöntemleri); ve uyarlanabilir kontrol ile pekiştirmeli öğrenme. Makine öğrenimi alanındaki araştırmamız bu alt alanların birçoğunu kapsar ve esasen büyük ölçekli öğrenme problemleri için yeni ve yüksek performanslı öğrenme algoritmalarının geliştirilmesine ve bu algoritmaların çeşitli donanım ve yazılım platformlarında uygulanmasına odaklanır.