Παρουσίαση/Προβολή

(DI618) -  Χρήστος Τζάμος

Περιγραφή Μαθήματος

Το μάθημα γίνεται συνδιδασκαλία με το προπτυχιακό: https://eclass.uoa.gr/courses/DI626/

Απευθυνθείτε εκεί για το υλικό του μαθήματος

 

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. Μεγάλο μέρος του μαθήματος θα επικεντρωθεί σε πρόσφατα αποτελέσματα για αξιόπιστη μάθηση όταν τα δεδομένα περιέχουν λάθη, είναι ελλιπή ή δεν είναι απόλυτα αντιπροσωπευτικά του στόχου.

- 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

 

Ημερομηνία δημιουργίας

Πέμπτη 15 Δεκεμβρίου 2022