نظریه یادگیری محاسباتی

دوره‌های دانشگاهی
19 جلسه

سرفصل‌ها

نظریه یادگیری محاسباتی شاخه‌ای از ریاضیات و علوم رایانه است که به ارزیابی کارایی الگوریتم‌های یادگیری ماشینی می‌پردازد. این نظریه عموماً به تحلیل الگوریتم‌های یادگیری با نظارت می‌پردازد و سعی می‌کند کران‌هایی برای کارایی یک الگوریتم در داده دیده‌نشده با استفاده از اطلاعات کارایی آن الگوریتم در داده در دسترس و پیچیدگی الگوریتم بیابد. بعد وی‌سی و یادگیری صحیح احتمالی تخمینی مثال‌هایی از نظریه یادگیری محاسباتی هستند که به ترتیب به اختراع الگوریتم‌های ماشین بردار پشتیبانی و بوستینگ انجامیدند. این نظریه به تحلیل پیچیدگی زمانی الگوریتم‌های یادگیری نیز می‌پردازد.

این درس به کمک آقای امید اعتصامی مدرس IPM و فارغ‌التحصیل دانشگاه برکلی تدریس شده است.

مدرس دوره
محمد هادی فروغمند

محمد هادی فروغمند، استادیار دانشکده علوم ریاضی دانشگاه شریف می باشد. زمینه های تحقیقاتی ایشان نظریه گراف و تجزیه و تحلیل شبکه های پیچیده، مدل های محاسباتی جدید و پیچیده، بیوانفورماتیک، تجزیه و تحلیل توالی ترکیبی و جستجو الگوریتم، الگوریتم ها و (ترکیبی) بهینه سازی و فلسفه علوم کامپیوتر است.

ایشان در سال 2001 عضو تیم المپیاد کامپیوتر ایران بودند و در این سال توانستند مدال طلا این مسابقات را کسب کنند و همچنین در سال های 2005 و 2007 جز سرپرستان تیم بودند که در هر کدام از سال ها مجموعا 4 مدال توسط تیم المپیاد کامپیوتر بدست آمده است.