le Programme de doctorat en mathématiques appliquées

(MATH 601)

Nom du Cours Semestre du Cours Cours Théoriques Travaux Dirigés (TD) Travaux Pratiques (TP) Crédit du Cours ECTS
MATH 601 1 3 0 0 3 7
Cours Pré-Requis
Conditions d'Admission au Cours
Langue du Cours Anglais
Type de Cours Électif
Niveau du Cours Doctorat
Enseignant(s) du Cours Ayberk ZEYTİN azeytin@gsu.edu.tr (Email)
Assistant(e)s du Cours
Objectif du Cours Enseigner aux étudiants les principes de l’apprentissage automatique et leur fournir des outils ciblés pour appliquer les techniques d’analyse de données, de manifestations, de régression, de clustering et de réduction de dimensionnalité.
Contenus Ce cours aborde les principes de l'apprentissage automatique, en se concentrant plus particulièrement sur ses fondements mathématiques. Les étudiants apprendront les concepts fondamentaux de l'apprentissage automatique, tels que l'analyse de données, la régression, la classification, le clustering et les techniques de réduction de dimensionnalité, et utiliseront des outils mathématiques pour les appliquer.
Acquis d'Apprentissage du Cours 1. Comprendre et utiliser les concepts algébriques linéaires de base utilisés en science des données.
2. Comprendre et utiliser les concepts mathématiques de base de l'analyse et de l'optimisation utilisés en science des données.
3. Comprendre et utiliser les concepts statistiques de base utilisés en science des données.
Méthodes d'Enseignement Cours en presentiel, séances de résolution de problèmes
Ressources Learning Theory from First Principles, Francis Bach
Deep Learning, Ian Goodfellow, Yoshua Bengio and Aaron Courville
High-Dimensional Probability, Vershynin
Convex Optimization, Boyd ve Vandenberghe
Elements of Information Theory, Cover ve Thomas
Understanding Machine Learning, Shalev-Shwartz ve Ben-David
Pattern Recognition and Machine Learning, Christopher Bishop,
Machine Learning: A Probabilistic Perspective, Kevin Murphy
Imprimer le contenu du cours
Intitulés des Sujets Théoriques
Semaine Intitulés des Sujets
1 Fondements de l'algèbre linéaire
2 Théorie spectrale
3 Décomposition en valeurs singulières
4 Matrices positives et Perron-Frobenius
5 Rappel sur le calcul différentiel et intégral
6 Ensembles et fonctions convexes
7 Optimisation convexe
8 Optimisation non convexe
9 Fondements de la théorie des probabilités
10 Inégalités de concentration
11 Probabilités avancées pour l'apprentissage automatique
12 Estimation statistique
13 Statistiques de grande dimension
14 Principes fondamentaux de la théorie de l'information
Intitulés des Sujets Pratiques
Semaine Intitulés des Sujets
1 ---
2 ---
3 ---
4 ---
5 ---
6 ---
7 ---
8 ---
9 ---
10 ---
11 ---
12 ---
13 ---
14 ---
Contribution à la Note Finale
  Numéro Frais de Scolarité
Contribution du contrôle continu à la note finale 6 60
Contribution de l'examen final à la note finale 1 40
Toplam 7 100
Contrôle Continu
  Numéro Frais de Scolarité
Devoir 0 0
Présentation 0 0
Examen partiel (temps de préparation inclu) 0 0
Projet 0 0
Travail de laboratoire 0 0
Autres travaux pratiques 0 0
Quiz 6 60
Devoir/projet de session 0 0
Portefeuille 0 0
Rapport 0 0
Journal d'apprentissage 0 0
Mémoire/projet de fin d'études 0 0
Séminaire 0 0
Autre 0 0
Make-up 0 0
Toplam 6 60
No Objectifs Pédagogiques du Programme Contribiton
1 2 3 4 5
Activités Nombre Durée Charge totale de Travail
Durée du cours 14 3 42
Préparation pour le cours 14 3 42
Devoir 6 5 30
Présentation 0 0 0
Examen partiel (temps de préparation inclu) 0 0 0
Projet 0 0 0
Laboratoire 0 0 0
Autres travaux pratiques 0 0 0
Examen final (temps de préparation inclu) 1 36 36
Quiz 6 3 18
Devoir/projet de session 0 0 0
Portefeuille 0 0 0
Rapport 0 0 0
Journal d'apprentissage 0 0 0
Mémoire/projet de fin d'études 0 0 0
Séminaire 0 0 0
Autre 0 0 0
baclé 0 0 0
Yil 0 0 0
Yil 0 0 0
Yil 0 0 0
Charge totale de Travail 168
Charge totale de Travail / 25 6.72
Crédits ECTS 7
Scroll to Top