به گزارش باشگاه دانشجویان ایسنا، برآورد مدل‌های یادگیری ماشین از داده‌های با ابعاد بالا از جمله چالش‌های نظریه یادگیری است که امروزه بسیار مورد توجه قرار گرفته است. از جمله فرض‌های اساسی در این خصوص پراکندگی مدل موردنظر است.

در این برنامه به طور کلی به مسئله برآورد چنین مدل‌هایی در قالب چند مسئله کاربردی در حوزه‌های مختلف زیست‌شناسی مولکولی، اقتصاد و علوم کامپیوتر پرداخته می شود که دارای یک ساختار پیچیده شامل اجزای پراکنده، کم‌ساختار با متراکم هستند. ضمن ارائه یک رویکرد کلی مبتنی بر یک نرم‌ جدید ساختاربندی شده نشان داده می‌شود که با استفاده از چنین رویکردی امکان تخمین ساختارهای چیده‌ای از داده‌های با ابعاد بالا امکان‌پذیر خواهد بود مدل ریاضی نهایی را به صورت یک مسئله بهینه‌سازی محدب فرمول‌بندی شده و برای حل کارآمد آن یک الگوریتم ADMM ارائه داده می‌شود.

در انتها اثربخشی مدل را روی داده‌های واقعی نظیر ساختار ژنتیک مولکولی، پردازش تصاویر و تحلیل یک مدل مالی در موسسات افتصادی نشان داده می شود.

علاقه‌مندان می‌توانند برای شرکت در این رویداد در زمان معین شده با وارد شدن به لینک https://connect.kntu.ac.ir/math در این جلسه حضور داشته باشند.

انتهای پیام