Υπολογιστική Θεωρία Μηχανικής Μάθησης (ΘΠ23)
Χρήστος Τζάμος
Το μάθημα θα ξεκινήσει μέσω Zoom
Tο μάθημα θα μελετήσει κεντρικά θέματα της υπολογιστικής θεωρίας μάθησης.
Θα εξετάσει προβλήματα εκμάθησης και στατιστικής επαλήθευσης κατανομών πιθανότητας καθώς και την εκπαίδευση μοντέλων για κατηγοριοποίηση. Θα μελετήσουμε καλώς-ορισμένα υπολογιστικά μοντέλα μάθησης στα οποία είναι δυνατό να δοθούν ακριβείς και αυστηρές αναλύσεις των προβλημάτων και των αλγορίθμων μάθησης με έμφαση στην υπολογιστική πολυπλοκότητα.
- Προτεινόμενη Βιβλιογραφία:
- Foundations of Data Science, A. Blum, J. Hopcroft, and R. Kannan
- Understanding Machine Learning: From Theory to Algorithms, S. Shalev-Shwartz and S. Ben-David
- Algorithmic Aspects of Machine Learning, A. Moitra
- High-Dimensional Probability: An Introduction with Applications in Data Science, R. Vershynin
- Συναφή συνέδρια: STOC, FOCS, COLT, NeurIPS, ICML
Λιγότερα
Το μάθημα θα ξεκινήσει μέσω Zoom
Tο μάθημα θα μελετήσει κεντρικά θέματα της υπολογιστικής θεωρίας μάθησης.
Θα εξετάσει προβλήματα εκμάθησης και στατιστικής επαλήθευσης κατανομών πιθανότητας καθώς και την εκπαίδευση μοντέλων για κατηγοριοποίηση. Θα μελετήσουμε καλώς-ορισμένα υπολογιστικά μοντέλα μάθησης στα οποία είναι δυνατό να δοθούν ακριβείς και αυστηρές αναλύσεις των προβλημάτων και των αλγορίθμων μάθησης με έμφαση στην υπολογιστική πολυπλοκότητα.
- Προτεινόμενη Βιβλιογραφία:
- Foundations of Data Science, A. Blum, J. Hopcroft, and R. Kannan
- Understanding Machine Learning: From Theory to Algorithms, S. Shalev-Shwartz and S. Ben-David
- Algorithmic Aspects of Machine Learning, A. Moitra
- High-Dimensional Probability: An Introduction with Applications in Data Science, R. Vershynin
- Συναφή συνέδρια: STOC, FOCS, COLT, NeurIPS, ICML
Το μάθημα θα ξεκινήσει μέσω Zoom
Tο μάθημα θα μελετήσει κεντρικά θέματα της υπολογιστικής θεωρίας μάθησης.
Θα εξετάσει προβλήματα εκμάθησης και στατιστικής επαλήθευσης κατανομών πιθανότητας καθώς και την εκπαίδευση μοντέλων για κατηγοριοποίηση. Θα μελετήσουμε καλώς-ορισμένα υπολογιστικά μοντέλα μάθησης στα οποία είναι δυνατό να δοθούν ακριβείς και αυστηρές αναλύσεις των προβλημάτων και των αλγορίθμων μάθησης με έμφαση στην υπολογιστική πολυπλοκότητα.
- Προτεινόμενη Βιβλιογραφία:
- Foundations of Data Science, A. Blum, J. Hopcroft, and R. Kannan
- Understanding Machine Learning: From Theory to Algorithms, S. Shalev-Shwartz and S. Ben-David
- Algorithmic Aspects of Machine Learning, A. Moitra
- High-Dimensional Probability: An Introduction with Applications in Data Science, R. Vershynin
- Συναφή συνέδρια: STOC, FOCS, COLT, NeurIPS, ICML
