Ронен Элдан | |
---|---|
ивр. רונן אלדן | |
Дата рождения | 1980 (43—44 года) |
Место рождения | Тель-Авив, Израиль |
Страна | |
Род деятельности | математик |
Научная сфера | математика, информатика, ИИ, вероятность, функциональный анализ, вычислительная геометрия, математическая физика и теория в педагогике[вд] |
Место работы | |
Альма-матер | |
Учёная степень | доктор философии (2013) |
Научный руководитель | |
Награды и премии | |
Медиафайлы на Викискладе |
Ронен Элдан (ивр. רונן אלדן; род. 1980, Тель-Авив) — израильский математик и физик-теоретик. Профессор Института Вейцмана, специализируется в области теории вероятностей, математического анализа, теоретической информатики и теории машинного обучения[1].
Лауреат Премии Эрдёша (2018) и Премии Блаватника для молодых учёных (2022). Выступал в качестве оратора на Международном конгрессе математиков в 2022 году.[2][3]
Ронен родился в 1980 году в Израиле. Большую часть детства провел в Рамат-Авив. В 2005 окончил Открытом университете Израиля со степенью бакалавра в математике, которая в 2006 году была дополнительно расширена дисциплиной по физике в Тель-Авивском университете.[4] Осенью 2011 года проходил интернатуру в Microsoft Research. В 2013 году получил докторскую степень в Тель-Авивском университете[5] под научным руководством профессоров В. Мильмана и Б. Клартага, специализируясь на вероятностях, многомерной геометрии выпуклых тел и вычислительной геометрии.
В 2015 году присоединился к профессорскому составу математического факультета Института Вейцмана[6] Работа профессора Ронена Элдана привела к прорывам в решении гипотез математической теории многомерных явлений, которые оказали глубокое влияние на области статистики, машинного обучения и теоретической информатики. Его исследования охватывают несколько областей математики с упором на многомерную вероятность. Один из главных вкладов Олдена — разработка новой методологии, основанной на неожиданной связи между анализом многомерных систем и стохастическим интегралом. Более того, его направление прикладных исследований привело к новому пониманию ограничений нейронных сетей в машинном обучении и новому алгоритму принятия решений в искусственном интеллекте.[7]