Математические методы прогнозирования (кафедра ВМиК МГУ)

Материал из MachineLearning.

Перейти к: навигация, поиск

Заведующий кафедрой — лауреат Ленинской премии, академик РАН, д.ф.-м.н., профессор Юрий Иванович Журавлёв

Содержание

Кафедра была создана в 1997 году. Кафедра готовит специалистов по анализу данных, распознаванию и прогнозированию в технике, экономике, социологии, биологии и т. п. с использованием современных математических методов, программных и компьютерных систем. В процессе обучения студенты получают фундаментальное образование в таких областях математики, как современная алгебра, математическая логика, дискретная и комбинаторная математика, математическое моделирование, диагностика сложных систем, интеллектуальный анализ данных, машинное обучение, прогнозирование, прикладная статистика, математические модели искусственного интеллекта, распознавание образов, обработка и анализ изображений. В рамках специального практикума студенты получают навыки работы с современными базами данных и знаний, овладевают современными языками и методами программирования, приобретают опыт решения прикладных задач. Кафедра готовит научных работников, преподавателей колледжей и высшей школы, специалистов по разработке и применению математических методов для решения таких задач, как, например, прогнозирование месторождений полезных ископаемых, землетрясений, свойств химических соединений, техногенных и социальных катастроф и кризисов, развития экономических и политических ситуаций, и т. п.

В 2001 году был создан филиал кафедры на базе Института математических проблем биологии РАН в г. Пущино, в котором студенты старших курсов участвуют в решении фундаментальных и прикладных проблем в области биоинформатики.

Производственную практику студенты проходят в научно-исследовательских институтах РАН, участвуя, в том числе, в работах по грантам РФФИ, и компаниях, специализирующихся в анализе данных и машинном обучении (например, в компании Форексис). Многие студенты, имеющие склонность к научной деятельности, получают первые самостоятельные результаты уже к четвертому-пятому году обучения, публикуются в научных журналах и после получения диплома продолжают обучение в аспирантуре кафедры.


Доска объявлений

Доска объявлений

Доска объявлений кафедры Математических Методов Прогнозирования

  • Кафедра Математических методов прогнозирования Спецкурс (продолжение)
  • "Логический анализ данных в распознавании"

читает д.ф.-м.н. Е. В. Дюкова. Первая лекция состоится 1 марта (понедельник) в 16:20 ауд. 637

  • Будет продолжено изучение вопросов эффективного применения комбинаторно-логических методов для синтеза распознающих процедур. Будет рассмотрены подходы к оценке вычислительной сложности алгоритмов и качества решения прикладных задач.

Первая часть спецкурса была в основном посвящена изложению общих принципов конструирования логических процедур распознавания. По спецкурсу есть учебное пособие (www.ccas.ru/frc), в котором кратко изложены вопросы логического анализа данных в распознавании, рассматриваемые в спецкурсе. Спецкурс рассчитан на студентов 2-5 курсов. Студенты 3-5 курсов приглашаются также на спецсеминар "Логические модели распознавания", проводимый под руководством д.ф.-м.н. Дюковой Е.В.


  • Кафедра математических методов прогнозирования Спецсеминар
  • "Байесовские методы машинного обучения"

(рук. н.с., к.ф. - м.н. Д.П. Ветров)

  • Будет проходить по средам в 18:20 в ауд. 582.

Первое заседание в весеннем семестре состоится 10 февраля. Принять участие в работе спецсеминара приглашаются студенты 2-го курса, желающие распределиться на ММП и участвовать в работе данного спецсеминара на старших курсах.


  • Кафедра математических методов прогнозирования

Студенты 517 гр. прослушивают курс «Современные проблемы прикладной информатики» вместе с 1-ым потоком (курс «Суперкомпьютерные вычисления» с практикумом). Начало занятий 1 марта.


  • Кафедра математических методов прогнозирования Спецкурс
  • «Теория надёжности обучения по прецедентам»

(пятница,16:20–17:55,ауд.606,начиная с 12 февраля) (к.ф.-м.н. Константин Вячеславович Воронцов) vokov@forecsys.ru, http://www.ccas.ru/voron

  • Спецкурс знакомит студентов с современным состоянием теории вычислительного обучения (computational learning theory, COLT), исследующей проблему качества восстановления зависимостей по эмпирическим данным. Родоначальниками этой теории были советские математики В. Н. Вапник и А. Я. Червоненкис. В 80-е годы эта теория получила широкую мировую известность, и в настоящее время развивается очень активно, главным образом, за рубежом. Один из основных вопросов COLT — как количественно оценить способность алгоритмов классификации и прогнозирования обобщать эмпирические факты. В каких случаях можно утверждать, что общие закономерности, выявленные по частным прецедентам, не окажутся «кажущимися», «предрассудками»? Как избежать переобучения — ситуации, когда ответы алгоритма слишком точны на обучающей выборке, но недостаточно точны на новых данных, которые не были известны в момент обучения? Как управлять обобщающей способностью алгоритма на стадии его построения? Эти и другие смежные вопросы рассматриваются в данном спецкурсе.

В этом семестре:

  • Слабая вероятностная аксиоматика, задачи эмпирического предсказания и проверки гипотез.
  • Точные комбинаторные оценки вероятности переобучения модельных семейств алгоритмов.
  • Профиль компактности выборки и отбор опорных объектов в методе ближайшего соседа.
  • Профиль монотонности выборки и монотонные корректирующие операции.
  • Современные теории обобщающей способности: радемахеровская и гауссовская сложность; PAC-байесовская теория стохастических классификаторов, shell-оценки Лангфорда.

На спецсеминарах (пятница, 1805–1930, ауд.606, начиная с 12 февраля) будут обсуждаться дипломные и курсовые работы студентов, открытые проблемы теории вычислительного обучения, прикладные задачи интеллектуального анализа данных (классификации, прогнозирования, поиска закономерностей), в том числе на основе реальных проектов компании Forecsys:

  • Задачи кредитного скоринга, предсказания оттока клиентов, медицинской диагностики.
  • Распределенная система «Полигон алгоритмов классификации».
  • Задачи анализа клиентских сред и коллаборативной фильтрации.
  • Задачи прогнозирования объёмов продаж в сетях супермаркетов.

Дополнительная информация: www.machinelearning.ru/wiki, страницы «Участник:Vokov» и «Теория надёжности обучения по прецедентам (курс лекций, К.В. Воронцов

Кафедральные курсы

Для студентов 3 курса

Для студентов 4 курса

Для студентов 5 курса

Спецсеминары кафедры

Преподаватели

Ссылки

Литература

Личные инструменты