به گزارش رابط خبری حوزه معاونت پژوهش و فناوری دانشگاه، دکتر محمدحسین احسانی معاون پژوهش و فناوری دانشگاه با اعلام این خبر افزود : دوره پسادکتری خانم دکتر مریم خوش‌سیمای برگرد با موفقیت به پایان رسید. این دوره با تمرکز بر مطالعه روش‌های کم‌حافظه با نگاه کاربردی به تجزیه نامنفی ماتریسی، تحت راهبری علمی دکتر علی اشرفی، دانشیار دانشکده ریاضی، آمار و علوم کامپیوتر، برگزار شد.

معاون پژوهش و فناوری دانشگاه، ضمن تبریک به ایشان به مناسبت اتمام موفق این دوره، اظهار داشت: « پژوهش انجام‌شده توسط خانم دکتر خوش‌سیمای برگرد از نمونه‌های بارز فعالیت‌های علمی هدفمند و کاربردی در حوزه ریاضیات کاربردی است که می‌تواند زمینه‌ساز پیشرفت‌های علمی در حوزه تحلیل داده، یادگیری ماشین و بهینه‌سازی شود.

دکتر محمدحسین احسانی تصریح کرد: نگاه نوآورانه ایشان به روش‌های کم‌حافظه در تجزیه‌های ماتریسی، ظرفیت بهره‌برداری در مسائل واقعی را دوچندان می‌سازد.

ایشان در ادامه افزود: « توسعه پژوهش‌های پسادکتری در دانشگاه، یکی از محورهای اصلی سیاست‌های پژوهشی ماست و حضور پژوهشگرانی چون دکتر خوش‌سیمای برگرد، نشان از جایگاه بالای علمی و ظرفیت بالای دانشگاه در جذب و تربیت نیروهای پژوهشی دارد.

رئیس کمیته پسادکتری دانشگاه تأکید کرد: در جریان این دوره، نتایج علمی حاصل از پژوهش‌های انجام‌شده در قالب مقالات پژوهشی در نشریات بین‌المللی منتشر شده‌اند که گواهی بر کیفیت و اصالت فعالیت‌های تحقیقاتی صورت‌گرفته است. این دستاوردها، ضمن ارتقای جایگاه علمی دانشگاه، در جامعه علمی بین‌المللی نیز بازتاب مثبتی داشته‌اند.

لازم به ذکر است که تجزیه نامنفی ماتریسی (NMF) یکی از روش‌های پرکاربرد در تحلیل داده‌های پیچیده به‌شمار می‌رود که کاربردهای متعددی در حوزه‌های علوم داده، پردازش تصویر، متن‌کاوی و بیوانفورماتیک دارد. پژوهش انجام‌شده در این دوره، با بهره‌گیری از رویکردهای کم‌حافظه و الگوریتم‌های نوین، گامی مؤثر در جهت بهبود عملکرد و کاربردی‌سازی این تکنیک‌ها در مسائل بزرگ‌مقیاس بوده است.

معاونت پژوهش و فناوری دانشگاه، برای دکتر علی اشرفی و خانم دکتر خوش‌سیمای برگرد در مسیر علمی پیش‌رو، آرزوی موفقیت روزافزون دارد.

دستاوردهای منتشر شده و در حال انتشار دوره پسادکتری

1- چاپ مقاله تحت عنوان  A projected hybridization of the Hestenes–Stiefel and Dai–Yuan conjugate gradient methods with application to nonnegative matrix factorization در مجله Journal of Applied Mathematics and Computing  با نمایه JCR-Q1

2- چاپ مقاله تحت عنوان  A family of descent spectral three-term  conjugate gradient methods based on the quasi–Newton aspecpt with applications to nonnegative matrix factorization and image restoration conjugate در مجله Numerical Algorithms با نمایه JCR-Q1.

3- پذیرش مقاله تحت عنوان A family of descent spectral three-term conjugate gradient methods based on the quasi-Newton aspects with application to nonnegative matrix factorization در مجله International Journal of Computer Mathematics با نمایه JCR-Q2.

4- سابمیت مقاله تحت داوری با عنوان A descent family of hybrid conjugate gradient methods for solving unconstrained optimization with application to nonnegative matrix factorization در مجله Optimization Methods and Software  با نمایه JCR-Q1.