معرفی درس: بی شک یکی از مهم ترین دروس رشته های مهندسی و ریاضیات . این درس تلاش میکند تا پدیده های طبیعی را به مدل ریاضی در بیاورد و سپس با کمک تکنیک های مختلف معادله دیفرانسیل مربوطه را حل کند. جواب معادله دیفرانسیل میتواند یک پدیده ی فیزیکی مانند موج ، توزیع حرارت و … باشد.
معرفی درس: توابع مختلط درس توابع مختلط شامل موضوعات زیر است: ۱- مباحث پایه ای در نظریه توابع تحلیلی یک متغیره، و مختصری از توابع تحلیلی چند متغیره، ۲- اعداد مختلط و سری های توانی فرمال ۳- توابع مختلط، معادلات کوشی-ریمان، انتگرال مختلط، فرمول انتگرال کوشی، باقیمانده ها ۴- توابع هارمونیک و نگاشت کانفورمال و قضیه ی نگاشت ریمان پیش نیاز های این درس شامل ریاضی عمومی ۲، آنالیز ریاضی ۱ و توپولوژی است. منبع درس کتاب : Elementary theory of analytic functions with one and several variables از Henri Cartan
معرفی درس: ریاضیات گسسته درس ریاضی گسسته یکی از دروس مقدماتی دانشکدهی ریاضی است. در این درس به معرفی بخشهای مختلفی از ریاضی گسسته شامل منطق ریاضی، نظریهی مجموعهها، آنالیز شمارشی، روابط بازگشتی، توابع مولد و نظریهی گراف میپردازند. کتاب مرجع درس: Introductory Discrete Mathematics, V. K. Balakrishnan
نظریه محاسبه نظریه ای برای بررس ماشین ها و عملکردشان به صورت انتزاعی است. در واقع با بررسی مدل هایی، در تلاش برای بررسی ”توان“ ابزارهای محاسباتی هستیم. ما در این درس از ماشین های ساده شروع می کنیم و کم کم آنها را قوی تر می کنیم تا به قویترین ابزار محاسبات که کامپیوترهای امروزی هستند برسیم.
توپولوژی جبری شاخه ای از ریاضیات است که از ابزارهای رشته جبر (ایده ها و قضایای جبر مجرد) برای مطالعه فضاهای توپولوژیکی استفاده میکند. ساده ترین هدف این رشته یافتن پایاهایی (invariant) جهت دسته بندی (classifying) فضاهای توپولوژیکی است. این دسته بندی معمولا در سطح همئومورفیسمی است (up to homeomorphism).
نظریهٔ پیچیدگی محاسباتی (Computational complexity theory) شاخهای از نظریهٔ محاسبات، علوم نظری رایانه و ریاضی است که به بررسی دشواری حل مسائل به وسیلهٔ رایانه (به عبارت دقیقتر به صورت الگوریتمی) میپردازد. این نظریه بخشی از نظریهٔ محاسباتی است که با منابع مورد نیاز برای حل یک مسئله سروکار دارد.
نظریه یادگیری محاسباتی شاخهای از ریاضیات و علوم رایانه است که به ارزیابی کارایی الگوریتمهای یادگیری ماشینی میپردازد. این نظریه عموماً به تحلیل الگوریتمهای یادگیری با نظارت میپردازد و سعی میکند کرانهایی برای کارایی یک الگوریتم در داده دیدهنشده با استفاده از اطلاعات کارایی آن الگوریتم در داده در دسترس و پیچیدگی الگوریتم بیابد. بعد ویسی و یادگیری صحیح احتمالی تخمینی مثالهایی از نظریه یادگیری محاسباتی هستند که به ترتیب به اختراع الگوریتمهای ماشین بردار پشتیبانی و بوستینگ انجامیدند. این نظریه به تحلیل پیچیدگی زمانی الگوریتمهای یادگیری نیز میپردازد. این درس به کمک آقای امید اعتصامی مدرس IPM و فارغالتحصیل دانشگاه برکلی تدریس شده است.
در نظریه احتمالات و زمینه های مرتبط، یک فرآیند تصادفی یک شیء ریاضی است که معمولا به عنوان مجموعه ای از متغیرهای تصادفی تعریف می شود. از لحاظ تاریخی، متغیرهای تصادفی با مجموعه ای از اعداد مرتبط نشان داده شده اند که معمولا به عنوان نقاط زمان در نظر گرفته می شوند و تفسیر یک فرآیند تصادفی را نشان می دهند که مقادیر عددی برخی از سیستم ها را به طور تصادفی در طول زمان تغییر می دهند، مانند رشد جمعیت باکتری، یک جریان الکتریکی به علت نویز حرارتی یا حرکت یک مولکول گاز نوسان می کند. فرآیندهای تصادفی به طور گسترده ای به عنوان مدل ریاضی سیستم ها و پدیده ها به نظر می رسد که به صورت تصادفی متفاوت هستند. تجزیه و تحلیل فرآیند های تصادفی در بسیاری از رشته ها از جمله علوم، مانند زیست شناسی، شیمی، اکولوژی، علوم اعصاب، فیزیک و همچنین زمینه های فن آوری و مهندسی مانند پردازش تصویر، پردازش سیگنال، نظریه اطلاعات، علوم رایانه، رمزنگاری و ارتباطات مخابراتی کاربرد دارد.
پویایی شناسی سیستم یا سیستم دینامیکس یا سامانه دینامیکی در ریاضیات و حل مسائل صنعتی – اجتماعی و مدیریتی، به سامانههایی گفته میشود که حالت آنها با زمان تغییر میکند. به عبارت دیگر، در آن یک تابع نحوه وابستگی نقاطی از یک فضای هندسی را به زمان توصیف میکند. مثل تابعی که وابستگی زمانی نقاط مختلف یک آونگ متحرک یا آب جاری در یک لوله را توصیف میکند. برای هر زمان معین، یک سیستم دینامیک، یک «حالت» دارد که میتوان آن را با مجموعهای از اعداد حقیقی (یک بردار) که به وسیله یک نقطه در یک «فضای حالت» مناسب (یک منیفلد هندسی) نشان داده میشود بیان کرد. برای هر تغییر کوچک در حالت سیستم دینامیکی، یک تغییر کوچک در اعداد متناظر داریم.