نظریه یادگیری محاسباتی

قیمت فعلی: رایگان

قیمت دوره‌ ممکن است توسط سایت مبدا تغییر کند

نظریه یادگیری محاسباتی: از ریاضیات تا الگوریتم‌های هوشمند 🧠

اگه بخوام خیلی ساده بگم، نظریه یادگیری محاسباتی پلی‌ست بین ریاضیات و علوم رایانه که می‌خواد بفهمه الگوریتم‌های یادگیری ماشین واقعاً چقدر خوب کار می‌کنن. یعنی فقط این نیست که یه مدل بسازیم و بگیم تمومه؛ باید بتونیم اثبات کنیم که این مدل ...

نظریه یادگیری محاسباتی: از ریاضیات تا الگوریتم‌های هوشمند 🧠

اگه بخوام خیلی ساده بگم، نظریه یادگیری محاسباتی پلی‌ست بین ریاضیات و علوم رایانه که می‌خواد بفهمه الگوریتم‌های یادگیری ماشین واقعاً چقدر خوب کار می‌کنن. یعنی فقط این نیست که یه مدل بسازیم و بگیم تمومه؛ باید بتونیم اثبات کنیم که این مدل روی داده‌های جدید هم جواب می‌ده یا نه.

چرا این دوره رو ببینیم؟ 🤔

خیلی از ماها وقتی با کتابخانه‌هایی مثل scikit-learn کار می‌کنیم، فقط fit و predict رو صدا می‌زنیم و تمام. ولی سؤال اصلی اینجاست: چرا یه الگوریتم روی داده آموزشی خوب جواب می‌ده اما روی داده واقعی افت می‌کنه؟ نظریه یادگیری محاسباتی دقیقاً همین‌جا وارد می‌شه و به ما ابزار می‌ده تا کران‌هایی برای عملکرد الگوریتم روی داده دیده‌نشده پیدا کنیم.

این دوره عموماً روی الگوریتم‌های یادگیری با نظارت (supervised learning) تمرکز داره و سعی می‌کنه از اطلاعات کارایی مدل روی داده در دسترس و پیچیدگی خود الگوریتم، تخمینی از رفتارش روی داده‌های جدید بده.

توی این دوره چی یاد می‌گیریم؟

• بعد VC (VC Dimension): یکی از مفاهیم کلیدی که نشون می‌ده یه کلاس از توابع چقدر ظرفیت یادگیری داره
• یادگیری PAC (احتمالاً تقریباً صحیح): چارچوبی که شرط‌های لازم برای یادگیری موفق رو مشخص می‌کنه
• تحلیل پیچیدگی زمانی الگوریتم‌های یادگیری: اینکه یادگیری چقدر از نظر محاسباتی گرون تموم می‌شه
• کران‌های تعمیم (Generalization Bounds): ابزاری برای پیش‌بینی عملکرد روی داده جدید

نکته جالب ماجرا اینجاست که بعد VC و یادگیری PAC به‌ترتیب زمینه‌ساز اختراع ماشین بردار پشتیبان (SVM) و الگوریتم‌های بوستینگ شدن. یعنی این نظریه‌ها فقط ریاضیات انتزاعی نیستن؛ مستقیم به الگوریتم‌هایی رسیدن که امروز همه‌جا استفاده می‌شن.

یه مثال ساده برای درک بهتر 💡

فرض کن می‌خوای یه مدل بسازی که تشخیص بده یه ایمیل اسپمه یا نه. مدلت روی ۱۰۰۰ ایمیل آموزشی دقت ۹۸٪ می‌ده. سؤال اینه: روی ایمیل‌های فردا هم همین دقت رو داره؟ نظریه یادگیری محاسباتی بهت می‌گه چطور با توجه به تعداد نمونه‌ها و پیچیدگی مدلت، یه کران بالا برای خطای واقعی پیش‌بینی کنی.

این دوره به چه کارم میاد؟

• توی پروژه‌های دانشجویی و پایان‌نامه‌ها، وقتی استادت می‌پرسه «چرا مدلت اورفیت شده؟» جواب داری
• توی مصاحبه‌های شغلی حوزه داده، سؤالات نظری یادگیری ماشین رو راحت‌تر جواب می‌دی
• اگه قصد ادامه تحصیل در حوزه یادگیری ماشین داری، این مباحث پایه‌ی خیلی از مقالات روزه
• برای انتخاب درست الگوریتم و تنظیم هایپرپارامترها، دید عمیق‌تری پیدا می‌کنی

مشخصات دوره 📋

سرفصل‌ها

محتوای این درس در قالب ۱۹ جلسه ویدیویی ارائه شده که مجموعاً حدود ۲۷ ساعت زمان می‌بره. تدریس توسط آقای امید اعتصامی انجام شده؛ ایشون مدرس IPM هستن و تحصیلاتشون رو در دانشگاه برکلی تکمیل کردن.

سؤالاتی که ممکنه بپرسی

پیش‌نیاز این دوره چیه؟
یه آشنایی اولیه با جبر خطی، احتمالات و مبانی یادگیری ماشین کارت رو راه می‌ندازه. لازم نیست ریاضی‌دان حرفه‌ای باشی.

این نظریه‌ها به‌روز کاربرد دارن؟
قطعاً. همون بحث کران‌های تعمیم و بعد VC هنوز توی مقالات جدید یادگیری عمیق هم