هدف از اين درس، آشنایی دانش‌جویان با مفاهیم نظری الگوریتم های یادگیری ماشین و تحلیل الگوریتم ها است. تاکید این درس بیشتر روی روش های آماری محاسباتی متمرکز می شود. تلاش می شود در درس به پرسش های زیر پاسخ داده شود. آیا می توان الگوریتم یادگیری را طراحی نمود که کران کاراایی آن قابل اثبات باشد؟ چگونه می توان الگوریتم یادگیری طراحی کرد که خواص ویژه ای داشته باشد.

1. مقدمه و مدل رسمی یادگیری (۱ جلسه)
2. مدل های یادگیری و محاسبه کران خطا (۴ جلسه)
   • یادگیری در مدل سازگاری
   • یادگیری در مدل احتمالا تقریبا درست و يادگيري به كمك همگرايي يكنواخت
   • یادگیری در مدل احتمالا تقریبا درست بدون پیش فرض
   • یادگیرهای عمومی
   • تحلیل الگوریتم های کمینه سازی خطای تجربی
3. معیار های محاسبه غنای فضای فرضیه و محاسبه کران خطا (۲ جلسه)
   • تابع رشد، بعد VC و اعداد پوششی
   • پیچیدگی راداماخر
4. انتخاب مدل (۲ جلسه)
5. یادگیری نایکنواخت و تحلیل الگوریتم های کمینه سازی خطای ساختاری مانند توصيف با كمترين طول (۲ جلسه)
6. روش هاي منظم سازي و پايداري الگوريتم های يادگيري (۱ جلسه)
7. پیچیدگی محاسباتی الگوریتم های یادگیری (۲ جلسه)
8. الگوریتم های یادگیری برخط (۴ جلسه)
9. الگوریتم های یادگیری رتبه بندی (۲ جلسه)
10. الگوریتم های یادگیری فعال (۱ جلسه)
11. نظریه PAC-Bayesian ( یک جلسه)
12. مبانی نظری خوشه بندی (۱ جلسه)
13. مسایل یادگیری محدب (۲ جلسه)
14. تحلیل الگوریتم های یادگیری (۷ جلسه)
    • تحلیل الگوریتم ماشین بردار پشتیبان
    • تحلیل الگوریتم های مبتنی بر هسته
    • تحلیل الگوریتم های بوستینگ
    • تحلیل الگوریتم های رگرسیون

• تمرین‌های نظری: ۴ نمره
• آزمون‌‌های میان‌ترم و پایانی: ۱۲ نمره
• آزمونک‌ها: ۲ نمره
• ارایه مقاله و پروژه: ۲ نمره