Математические методы прогнозирования (кафедра ВМиК МГУ)/Спецкурсы-спецсеминары

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
 
(23 промежуточные версии не показаны)
Строка 37: Строка 37:
|}
|}
----
----
-
 
__TOC__
__TOC__
-
== Расписание спецкурсов и спецсеминаров в весеннем семестре 2021/2022 уч.г. ==
+
 
 +
[[Математические методы прогнозирования (кафедра ВМиК МГУ)/Расписание|'''Расписание основных занятий''']]
 +
 
 +
== Расписание спецкурсов и спецсеминаров в весеннем семестре ==
{|class = "standard"
{|class = "standard"
! width="100pt" align="center"|Пара !! width="180pt" align="center"|Понедельник !! width="180pt" align="center"|Вторник !! width="180pt" align="center"|Среда !! width="180pt" align="center"|Четверг !! width="180pt" align="center"|Пятница
! width="100pt" align="center"|Пара !! width="180pt" align="center"|Понедельник !! width="180pt" align="center"|Вторник !! width="180pt" align="center"|Среда !! width="180pt" align="center"|Четверг !! width="180pt" align="center"|Пятница
Строка 96: Строка 98:
Учебно-научные спецсеминары
Учебно-научные спецсеминары
-
Интеллектуальный анализ данных: новые задачи и методы (магистры) Гуров Сергууй Исаевич, к.ф.-м.н.
+
Интеллектуальный анализ данных: новые задачи и методы (магистры) Гуров Сергей Исаевич, к.ф.-м.н.
Для бакалавров: Задачи обработки сигналов (бакалавры).
Для бакалавров: Задачи обработки сигналов (бакалавры).
Гуров Сергей Исаевич, к.ф.-м.н.
Гуров Сергей Исаевич, к.ф.-м.н.
Строка 115: Строка 117:
|}
|}
-
[[Математические методы прогнозирования (кафедра ВМиК МГУ)/Расписание|'''Расписание основных занятий''']]
+
== Расписание спецкурсов и спецсеминаров в осеннем семестре ==
 +
{|class = "standard"
 +
! width="100pt" align="center"|Пара !! width="180pt" align="center"|Понедельник !! width="180pt" align="center"|Вторник !! width="180pt" align="center"|Среда !! width="180pt" align="center"|Четверг !! width="180pt" align="center"|Пятница
 +
|-
 +
!8:45 – 10:20
 +
|
 +
|
 +
|
 +
|
 +
|
 +
|-
 +
!10:30 – 12:05
 +
|
 +
|
 +
|
 +
|
 +
|
 +
|-
 +
!12:15 – 13:50
 +
|
 +
|
 +
|
 +
|
 +
|
 +
|-
 +
!14:35 – 16:10
 +
|
 +
|
 +
|
 +
|
 +
|
 +
|-
 +
!16:20 – 17:55
 +
|
 +
|
 +
|
 +
|
 +
|
 +
|-
 +
!18:05 – 19:40
 +
|
 +
|
 +
|
 +
|
 +
|
 +
|-
 +
!20:00 – 21:35
 +
|
 +
|
 +
|
 +
|
 +
|
 +
|-
 +
|}
== Спецкурсы ==</noinclude>
== Спецкурсы ==</noinclude>
{{#if: {{{Спецсеминары|}}}
{{#if: {{{Спецсеминары|}}}
|
|
|<!-- ЗДЕСЬ ПЕРЕЧИСЛЯЮТСЯ СПЕЦКУРСЫ ТЕКУЩЕГО СЕМЕСТРА -->
|<!-- ЗДЕСЬ ПЕРЕЧИСЛЯЮТСЯ СПЕЦКУРСЫ ТЕКУЩЕГО СЕМЕСТРА -->
-
{{Курс|Режим = {{{1}}}|Название =
 
-
'''[[Логический анализ данных в распознавании (курс лекций, Е.В. Дюкова)|Логический анализ данных в распознавании]]''', (Logical data analysis in recognition) [[Участник:Djukova|лектор Е.В. Дюкова]]
 
-
|Описание =
 
-
В спецкурсе будут изложены общие принципы, лежащие в основе дискретных методов анализа информации в задачах распознавания, классификации и прогнозирования. Будут рассмотрены подходы к конструированию процедур классификации по прецедентам на основе использования аппарата логических функций и методов построения покрытий булевых и целочисленных матриц. Будут изучены основные модели логических процедур классификации и рассмотрены вопросы, связанные с исследованием сложности их реализации и качества решения прикладных задач. Спецкурс рассчитан на бакалавров 2-4 курсов. По спецкурсу издано учебное пособие. Преподавание спецкурса в режиме ОНЛАЙН. Презентации лекций выставлены на сайте кафедры ММП. Записаться на спецкурс и задать вопрос можно, послав письмо на адрес: edjukova@mail.ru.}}
 
-
+
{{Курс|Режим = {{{1}}}|Название =
-
<!-- КОНЕЦ ПЕРЕЧИСЛЕНИЯ СПЕЦКУРСОВ ТЕКУЩЕГО СЕМЕСТРА -->
+
'''[[Анализ графов, сетей, функций сходства (курс лекций, А.И. Майсурадзе)|Анализ графов, сетей, функций сходства]]''' (Graphs, Network, Distance Function Analysis), [[Участник:AIM|А.И. Майсурадзе]], для магистрантов.
-
}}<noinclude><!-- ЗДЕСЬ ПЕРЕЧИСЛЯЮТСЯ ВСЕ ОСТАЛЬНЫЕ СПЕЦКУРСЫ-->
+
|Описание =
 +
Рассматриваются задачи и методы анализа систем, описание которых базируется на попарном или множественном взаимодействии объектов. Эти объекты могут быть однотипными или разнотипными. Когда важно само наличие или отсутствие взаимодействия, формализация проводится на языке теории графов. Расширении графового описания количественными характеристиками приводит к сетям. Если же считается, что каждый набор объектов может быть численно охарактеризован, говорят о расстояниях или сходствах. Представлена теоретическая основа для формализации задач и построения, реализации и анализа широкого спектра моделей и методов ИАД. Исследуются эвристические модели данных, описывающие исходную информацию об объектах распознавания на основе различных реализаций понятия сходства. Рассматриваются задачи, требующие решения при реализации указанных моделей. Изучаются специальные структуры данных и алгоритмы, позволяющие эффективно настраивать и использовать изучаемые модели. Идея сходства свойственна человеческому мышлению, это породило целый комплекс подходов для всех фундаментальных задач ИАД — так называемые метрические методы. Рассмотрены методы построения и вычисления функций сходства, согласование сходства на различных множествах объектов, синтез новых способов сравнения объектов на базе уже имеющихся. Рассмотрен комплекс приёмов, предназначенный для эффективного представления и обработки метрической информации вычислительными системами. Рассматриваются характеристики графов, активно используемые при их анализе. Изучаются алгоритмы на графах — как теоретически, так и с точки зрения эффективной реализации. Различные модели роста графов. Построение репрезентативных выборок на графах. Генерация графов с заданными характеристиками. Существенное внимание в курсе уделено многочисленным формализациям кластерного анализа. Показано, какие задачи решают распространённые методы. Проведена типологизация широкого спектра задач кластеризации для гомогенных и гетерогенных систем (бикластеризация, кокластеризация).
 +
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
'''[https://goo.gl/k7NLL1 Методы машинного обучения и поиск закономерностей в данных (Machine learning and search of regularities in data)]''', лектор [[Участник:Сенько Олег|О.В. Сенько]], для бакалавров.
+
'''[[Аналитические модели данных и их визуализация (курс лекций, А.И. Майсурадзе)|Аналитические модели данных и их визуализация]]''' (Analytical Data Models and Visualization), [[Участник:AIM|А.И. Майсурадзе]], для бакалавров.
 +
|Описание =
 +
Умеете ли вы рассказывать о данных и «рисовать» данные? Конечно, много программ готово по любым числам построить разнообразные диаграммы. Но вопрос в том, какие именно диаграммы нам нужны в каждой конкретной ситуации. Умеете ли вы «говорить на языке диаграмм»? Научим! В данном курсе излагаются теоретические и практические знания, которые понадобятся всем будущим аналитикам, ведь всем им предстоит собирать и хранить данные, «разглядывать» их самим и показывать другим. Модели данных – это стандартные в области аналитической деятельности «языки», на которых аналитики рассказывают друг другу о данных. Курс учит пользоваться этими общераспространенными «языками», что обеспечивает взаимопонимание при аналитической деятельности. Визуализация – это тоже форма рассказа о данных, соответственно, она тоже происходит в рамках таких «языков». Важнейшую роль такие «языки» получили в консалтинговых и аналитических подразделениях «большой четверки» – крупнейших в мире консалтинговых компаниях. Будут рассмотрены основные модели данных – разные способы мыслить и формализовать представление информации в аналитике. В связи с этим будет рассмотрена «аналитическая» часть SQL. В свою очередь, о визуализации будет рассказано одновременно с позиций аналитических целей и моделей данных. Будут рассмотрены «гиганты визуализации» – системы QlikView и Tableau,– развивающие идеологию OLAP. Будут рассмотрены практики «рассказывания историй по данным» (storytelling with data) и «интерактивных панелей». В курсе основное внимание уделяется «языку» аналитического общения, соответственно, большая его часть доступна бакалаврам первого-второго курсов. Предполагается, что студенты подготовят панель и сделают доклад о данных по актуальной для них жизненной проблеме.
 +
}}
 +
{{Курс|Режим = {{{1}}}|Название =
 +
'''[[Вероятностные тематические модели (курс лекций, К.В.Воронцов)|Вероятностное тематическое моделирование]]''' (Probabilistic topic modelling), лектор профессор РАН, д.ф.-м.н. [[Участник:Vokov|К.В. Воронцов]], для магистров.
|Описание =
|Описание =
-
В курсе обсуждаются основные проблемы, возникающие при использовании методов обучения по прецедентам (машинного обучения). Даётся краткий обзор существующих методов распознавания и регрессионного анализа. Рассказывается о способах оценки точности на генеральной совокупности (обобщающей способности). Обсуждаются различные способы повышения обобщающей способности методов машинного обучения. Приглашаются бакалавры.
+
Тематическое моделирование – это современная область исследований на стыке машинного обучения и компьютерной лингвистики. Тематическая модель определяет, какие темы содержатся в большой текстовой коллекции, и к каким темам относится каждый документ. Тематические модели позволяют искать тексты по смыслу, а не по ключевым словам, и создавать информационно-поисковые сервисы нового типа для систематизации знаний. В спецкурсе рассматриваются тематические модели для классификации, категоризации, сегментации, суммаризации текстов естественного языка, а также для рекомендательных систем, анализа банковских транзакционных данных и биомедицинских сигналов. Из математики нам понадобится теория вероятностей, методы оптимизации, матричные разложения. Для любителей программирования имеется возможность поучаствовать в проекте с открытым кодом BigARTM.org. Для особо увлечённых – дополнительные семинары по вечерам в офисе Яндекса. Заданиями по курсу будет решение задач из реальной жизни, у которых нет правильного ответа в конце учебника. Спецкурс для магистрантов, но студентам второго курса тоже всё будет понятно :) 18+ (для студентов, познавших теорвер).
}}
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
Строка 139: Строка 197:
Эффективные алгоритмы работы с геометрической информацией являются непременным атрибутом всех современных систем машинного зрения, анализа и распознавания изображений, компьютерной графики и геоинформатики. Геометрические алгоритмы предоставляют хорошее поле для развития алгоритмического мышления, необходимого в прикладной математике. В первой части спецкурса будут рассмотрены классические темы вычислительной геометрии: геометрический поиск, выпуклые оболочки, пересечение и близость объектов, диаграммы Вороного, триангуляции Делоне. Вторая часть курса посвящена скелетам, обобщениям диаграмм Вороного для многоугольников и задачам медиального анализа формы изображений. Приглашаются бакалавры.
Эффективные алгоритмы работы с геометрической информацией являются непременным атрибутом всех современных систем машинного зрения, анализа и распознавания изображений, компьютерной графики и геоинформатики. Геометрические алгоритмы предоставляют хорошее поле для развития алгоритмического мышления, необходимого в прикладной математике. В первой части спецкурса будут рассмотрены классические темы вычислительной геометрии: геометрический поиск, выпуклые оболочки, пересечение и близость объектов, диаграммы Вороного, триангуляции Делоне. Вторая часть курса посвящена скелетам, обобщениям диаграмм Вороного для многоугольников и задачам медиального анализа формы изображений. Приглашаются бакалавры.
}}
}}
 +
{{Курс|Режим = {{{1}}}|Название =
 +
'''Логика высказываний''', [[Участник:Sgur|лектор С.И. Гуров]]
 +
|Описание =}}
 +
{{Курс|Режим = {{{1}}}|Название =
 +
'''[[Логический анализ данных в распознавании (курс лекций, Е.В. Дюкова)|Логический анализ данных в распознавании]]''', (Logical data analysis in recognition) [[Участник:Djukova|лектор Е.В. Дюкова]]
 +
|Описание =
 +
В спецкурсе будут изложены общие принципы, лежащие в основе дискретных методов анализа информации в задачах распознавания, классификации и прогнозирования. Будут рассмотрены подходы к конструированию процедур классификации по прецедентам на основе использования аппарата логических функций и методов построения покрытий булевых и целочисленных матриц. Будут изучены основные модели логических процедур классификации и рассмотрены вопросы, связанные с исследованием сложности их реализации и качества решения прикладных задач. Спецкурс рассчитан на бакалавров 2-4 курсов. По спецкурсу издано учебное пособие. Преподавание спецкурса в режиме ОНЛАЙН. Презентации лекций выставлены на сайте кафедры ММП. Записаться на спецкурс и задать вопрос можно, послав письмо на адрес: edjukova@mail.ru.}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
'''[[Вероятностные тематические модели (курс лекций, К.В.Воронцов)|Вероятностное тематическое моделирование]]''' (Probabilistic topic modelling), лектор профессор РАН, д.ф.-м.н. [[Участник:Vokov|К.В. Воронцов]], для магистров.
+
'''Методы и технологии машинного обучения''' (Methods and Technologies of Machine Learning), А. И. Майсурадзе, для магистров.
 +
|Описание =
 +
Успех и сама возможность проведения многих современных индустриальных и научных проектов в самых разных предметных областях всё чаще зависит от корректного анализа накопленной информации. Поэтому в наши дни практически каждый специалист должен иметь представление о возможностях и ограничениях, которые возникают при использовании существующего арсенала методов и средств интеллектуального анализа данных (Data Mining). Цель предлагаемого курса как раз и состоит в том, чтобы создать у слушателя представление об аналитической деятельности и соответствующей математической теории. Рассматриваются основные классы задач машинного обучения и методов их решения. В курсе будут рассмотрены примеры успешно решённых задач из таких областей, как медицинские исследования, антропология, наукометрия, социология, прогноз свойств химических соединений, компьютерное зрение. Для каждого из проектов будет рассказано о задачах и методах их решения, а также об использованных технологиях.
 +
}}
 +
{{Курс|Режим = {{{1}}}|Название =
 +
'''[[Методы машинного обучения и поиск достоверных закономерностей в данных (курс лекций, О.В. Сенько)|Методы машинного обучения и поиск закономерностей в данных (Machine learning and search of regularities in data)''']], лектор [[Участник:Сенько Олег|О.В. Сенько]].
|Описание =
|Описание =
-
Тематическое моделирование – это современная область исследований на стыке машинного обучения и компьютерной лингвистики. Тематическая модель определяет, какие темы содержатся в большой текстовой коллекции, и к каким темам относится каждый документ. Тематические модели позволяют искать тексты по смыслу, а не по ключевым словам, и создавать информационно-поисковые сервисы нового типа для систематизации знаний. В спецкурсе рассматриваются тематические модели для классификации, категоризации, сегментации, суммаризации текстов естественного языка, а также для рекомендательных систем, анализа банковских транзакционных данных и биомедицинских сигналов. Из математики нам понадобится теория вероятностей, методы оптимизации, матричные разложения. Для любителей программирования имеется возможность поучаствовать в проекте с открытым кодом BigARTM.org. Для особо увлечённых – дополнительные семинары по вечерам в офисе Яндекса. Заданиями по курсу будет решение задач из реальной жизни, у которых нет правильного ответа в конце учебника. Спецкурс для магистрантов, но студентам второго курса тоже всё будет понятно :) 18+ (для студентов, познавших теорвер).
+
В курсе обсуждаются основные проблемы, возникающие при использовании методов обучения по прецедентам (машинного обучения). Даётся краткий обзор существующих методов распознавания и регрессионного анализа. Рассказывается о способах оценки точности на генеральной совокупности (обобщающей способности). Обсуждаются различные способы повышения обобщающей способности методов машинного обучения.
-
}}
+
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
'''[[Анализ графов, сетей, функций сходства (курс лекций, А.И. Майсурадзе)|Анализ графов, сетей, функций сходства]]''' (Graphs, Network, Distance Function Analysis), [[Участник:AIM|А.И. Майсурадзе]], для магистрантов.
+
'''[[Метрические методы интеллектуального анализа данных (курс лекций, А.И. Майсурадзе)|Метрические методы интеллектуального анализа данных]]''', А.И. Майсурадзе.
-
|Описание =
+
|Описание =
-
Рассматриваются задачи и методы анализа систем, описание которых базируется на попарном или множественном взаимодействии объектов. Эти объекты могут быть однотипными или разнотипными. Когда важно само наличие или отсутствие взаимодействия, формализация проводится на языке теории графов. Расширении графового описания количественными характеристиками приводит к сетям. Если же считается, что каждый набор объектов может быть численно охарактеризован, говорят о расстояниях или сходствах. Представлена теоретическая основа для формализации задач и построения, реализации и анализа широкого спектра моделей и методов ИАД. Исследуются эвристические модели данных, описывающие исходную информацию об объектах распознавания на основе различных реализаций понятия сходства. Рассматриваются задачи, требующие решения при реализации указанных моделей. Изучаются специальные структуры данных и алгоритмы, позволяющие эффективно настраивать и использовать изучаемые модели. Идея сходства свойственна человеческому мышлению, это породило целый комплекс подходов для всех фундаментальных задач ИАД — так называемые метрические методы. Рассмотрены методы построения и вычисления функций сходства, согласование сходства на различных множествах объектов, синтез новых способов сравнения объектов на базе уже имеющихся. Рассмотрен комплекс приёмов, предназначенный для эффективного представления и обработки метрической информации вычислительными системами. Рассматриваются характеристики графов, активно используемые при их анализе. Изучаются алгоритмы на графах — как теоретически, так и с точки зрения эффективной реализации. Различные модели роста графов. Построение репрезентативных выборок на графах. Генерация графов с заданными характеристиками. Существенное внимание в курсе уделено многочисленным формализациям кластерного анализа. Показано, какие задачи решают распространённые методы. Проведена типологизация широкого спектра задач кластеризации для гомогенных и гетерогенных систем (бикластеризация, кокластеризация).
+
Рассматриваются методы и технологии, применяющиеся в интеллектуальном анализе данных (ИАД, data mining) и базирующиеся на понятиях сходства, близости, аналогии. Идея сходства свойственна человеческому мышлению, это породило целый комплекс подходов для всех фундаментальных задач ИАД, среди которых основное внимание в курсе уделено классификации, восстановлению регрессии, кластеризации, восстановлению пропущенных данных.
-
}}
+
-
{{Курс|Режим = {{{1}}}|Название =
+
-
'''[[Аналитические модели данных и их визуализация (курс лекций, А.И. Майсурадзе)|Аналитические модели данных и их визуализация]]''' (Analytical Data Models and Visualization), [[Участник:AIM|А.И. Майсурадзе]], для бакалавров.
+
-
|Описание =
+
-
Умеете ли вы рассказывать о данных и «рисовать» данные? Конечно, много программ готово по любым числам построить разнообразные диаграммы. Но вопрос в том, какие именно диаграммы нам нужны в каждой конкретной ситуации. Умеете ли вы «говорить на языке диаграмм»? Научим! В данном курсе излагаются теоретические и практические знания, которые понадобятся всем будущим аналитикам, ведь всем им предстоит собирать и хранить данные, «разглядывать» их самим и показывать другим. Модели данных – это стандартные в области аналитической деятельности «языки», на которых аналитики рассказывают друг другу о данных. Курс учит пользоваться этими общераспространенными «языками», что обеспечивает взаимопонимание при аналитической деятельности. Визуализация – это тоже форма рассказа о данных, соответственно, она тоже происходит в рамках таких «языков». Важнейшую роль такие «языки» получили в консалтинговых и аналитических подразделениях «большой четверки» – крупнейших в мире консалтинговых компаниях. Будут рассмотрены основные модели данных – разные способы мыслить и формализовать представление информации в аналитике. В связи с этим будет рассмотрена «аналитическая» часть SQL. В свою очередь, о визуализации будет рассказано одновременно с позиций аналитических целей и моделей данных. Будут рассмотрены «гиганты визуализации» – системы QlikView и Tableau,– развивающие идеологию OLAP. Будут рассмотрены практики «рассказывания историй по данным» (storytelling with data) и «интерактивных панелей». В курсе основное внимание уделяется «языку» аналитического общения, соответственно, большая его часть доступна бакалаврам первого-второго курсов. Предполагается, что студенты подготовят панель и сделают доклад о данных по актуальной для них жизненной проблеме.
+
}}
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
'''[[Нейросетевые методы обработки изображений (В.В.Китов)|Нейросетевые методы обработки изображений]]''', [[Участник:Victor_Kitov|В.В. Китов]], для бакалавров.
'''[[Нейросетевые методы обработки изображений (В.В.Китов)|Нейросетевые методы обработки изображений]]''', [[Участник:Victor_Kitov|В.В. Китов]], для бакалавров.
|Описание = Спецкурс посвящен задаче автоматической стилизации изображений, в которой входное изображение необходимо преобразовать так, чтобы сохранить изображенные на нем предметы, но стилистику их отображения взять из другого изображения или группы изображений. Например, это может быть стилизация семейной фотографии под стиль известного художника, либо стилизация дневного фото в ночное, либо изменение зимней панорамы в летнюю. Эта задача может применяться в мультипликации, наложении спецэффектов в фильмах и видеоиграх, симуляторах и средствах дополненной реальности, а также для более точной настройки методов машинного обучения работе с изображениями за счет вариации их стиля и адаптации стиля под целевую предметную область. Помимо отдельных изображений указанный подход применим для видеопоследовательностей и данных из других предметных областей (текст, речь и т.д.). Основные методы стилизации были предложены в последние 5 лет и опираются на глубинные нейронные сети, базовому изучению которых посвящена существенная часть курса.
|Описание = Спецкурс посвящен задаче автоматической стилизации изображений, в которой входное изображение необходимо преобразовать так, чтобы сохранить изображенные на нем предметы, но стилистику их отображения взять из другого изображения или группы изображений. Например, это может быть стилизация семейной фотографии под стиль известного художника, либо стилизация дневного фото в ночное, либо изменение зимней панорамы в летнюю. Эта задача может применяться в мультипликации, наложении спецэффектов в фильмах и видеоиграх, симуляторах и средствах дополненной реальности, а также для более точной настройки методов машинного обучения работе с изображениями за счет вариации их стиля и адаптации стиля под целевую предметную область. Помимо отдельных изображений указанный подход применим для видеопоследовательностей и данных из других предметных областей (текст, речь и т.д.). Основные методы стилизации были предложены в последние 5 лет и опираются на глубинные нейронные сети, базовому изучению которых посвящена существенная часть курса.
 +
}}
 +
{{Курс|Режим = {{{1}}}|Название =
 +
'''Неклассические математические модели обработки данных''', А.И. Майсурадзе.
 +
|Описание =
 +
В большинстве случаев анализ данных проводится с целью последующего принятия некоторого решения. Решение должно быть принято в результате некоторых рассуждений с использованием доступной информации о предметной области вообще и конкретной ситуации в частности. Цель курса состоит в том, чтобы продемонстрировать различные способы представления информации и формализации знаний, соответственно, различные способы проведения рассуждений и различные виды представления результатов, к которым указанные рассуждения приводят. Результаты анализа данных требуется транслировать в рамки того же самого формализма, который используется при рассуждениях. И наоборот, каждая модель предполагает свои способы перехода от формализма к окончательному решению. В курсе для каждой модели рассматриваются способы включения данных и рассуждений в общую стратегию принятия решений. В частности, будет продемонстрировано, как можно сравнивать конкурентов, и как каждый из конкурентов способен показать, что его предложение – лучшее.
}}
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
'''Непрерывные морфологические модели и алгоритмы (Continuous morphological models and algorithms)''', [[Участник:Mest|Л.М. Местецкий]], для бакалавров.
+
'''[[Непрерывные морфологические модели и алгоритмы (курс лекций, Л.М. Местецкий)|Непрерывные морфологические модели и алгоритмы (Continuous morphological models and algorithms)]]''', [[Участник:Mest|Л.М. Местецкий]], для бакалавров.
|Описание =
|Описание =
В компьютере изображения представляются прямоугольными матрицами точек, обладающих определенным цветом и яркостью. Такое дискретное представление является удобным для ввода, запоминания, обработки в компьютере. Однако для анализа и распознавания формы объектов на изображении человеку привычнее и проще оперировать непрерывными геометрическими фигурами. Основные преимущества непрерывного представления формы объектов: адекватность его с физической сущностью «сплошных» объектов реального мира, возможность использования методов «непрерывной» математики для анализа, преобразования, распознавания формы объектов. В курсе рассматриваются основы непрерывного подхода к анализу формы объектов в дискретных изображениях. Сюда входит аппроксимация бинарных растровых изображений многоугольными фигурами, медиальное представление фигур, вычисление скелетов, сравнение и преобразование формы на основе медиального представления. Будут рассмотрены приложения непрерывных моделей формы в распознавании изображений.
В компьютере изображения представляются прямоугольными матрицами точек, обладающих определенным цветом и яркостью. Такое дискретное представление является удобным для ввода, запоминания, обработки в компьютере. Однако для анализа и распознавания формы объектов на изображении человеку привычнее и проще оперировать непрерывными геометрическими фигурами. Основные преимущества непрерывного представления формы объектов: адекватность его с физической сущностью «сплошных» объектов реального мира, возможность использования методов «непрерывной» математики для анализа, преобразования, распознавания формы объектов. В курсе рассматриваются основы непрерывного подхода к анализу формы объектов в дискретных изображениях. Сюда входит аппроксимация бинарных растровых изображений многоугольными фигурами, медиальное представление фигур, вычисление скелетов, сравнение и преобразование формы на основе медиального представления. Будут рассмотрены приложения непрерывных моделей формы в распознавании изображений.
-
}}
+
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
'''[[Основные модели данных в аналитической деятельности (курс лекций, А.И. Майсурадзе)|Основные модели данных в аналитической деятельности]] (Аналитический SQL)''' (Essential Data Models in Data Analysis)(Analytical SQL), [[Участник:AIM|А.И. Майсурадзе]], для бакалавров.
'''[[Основные модели данных в аналитической деятельности (курс лекций, А.И. Майсурадзе)|Основные модели данных в аналитической деятельности]] (Аналитический SQL)''' (Essential Data Models in Data Analysis)(Analytical SQL), [[Участник:AIM|А.И. Майсурадзе]], для бакалавров.
|Описание =
|Описание =
В наши дни автоматизация и оптимизация многих видов деятельности невозможна без сбора и последующего анализа больших объёмов информации. При этом со временем стало ясно, что некоторые способы хранить и читать данные - модели данных - особенно удобны для людей. Именно такие модели стали универсальным языком общения людей с самыми разными технологиями. В этом смысле широчайшее распространение получила реляционная модель, а одним из самых широкоупотребительных языков оказался SQL, и сегодня самые разные технологии (совсем не только реляционные) позволяют его использовать. В ходе занятий мы будем осваивать именно само мышление, принятое в отрасли обработки и анализа данных. Речь не о конкретных технологиях или продуктах. В курсе на практических примерах будут даваться знания и отрабатываться навыки, которые понадобятся практически любому аналитику при работе с источниками данных. Акцент делается именно на аналитической деятельности: аналитик пользуется системами сбора и хранения данных, но не собирается администрировать их. Занятия предполагают интерактивное выполнение заданий на реальных БД.
В наши дни автоматизация и оптимизация многих видов деятельности невозможна без сбора и последующего анализа больших объёмов информации. При этом со временем стало ясно, что некоторые способы хранить и читать данные - модели данных - особенно удобны для людей. Именно такие модели стали универсальным языком общения людей с самыми разными технологиями. В этом смысле широчайшее распространение получила реляционная модель, а одним из самых широкоупотребительных языков оказался SQL, и сегодня самые разные технологии (совсем не только реляционные) позволяют его использовать. В ходе занятий мы будем осваивать именно само мышление, принятое в отрасли обработки и анализа данных. Речь не о конкретных технологиях или продуктах. В курсе на практических примерах будут даваться знания и отрабатываться навыки, которые понадобятся практически любому аналитику при работе с источниками данных. Акцент делается именно на аналитической деятельности: аналитик пользуется системами сбора и хранения данных, но не собирается администрировать их. Занятия предполагают интерактивное выполнение заданий на реальных БД.
-
}}
 
-
{{Курс|Режим = {{{1}}}|Название =
 
-
'''[[Аналитические модели данных и их визуализация (курс лекций, А.И. Майсурадзе)|Аналитические модели данных и их визуализация]]''' (Analytical Data Models and Visualization), [[Участник:AIM|А.И. Майсурадзе]], для бакалавров.
 
-
|Описание =
 
-
Умеете ли вы рассказывать о данных и «рисовать» данные? Конечно, много программ готово по любым числам построить разнообразные диаграммы. Но вопрос в том, какие именно диаграммы нам нужны в каждой конкретной ситуации. Умеете ли вы «говорить на языке диаграмм»? Научим! В данном курсе излагаются теоретические и практические знания, которые понадобятся всем будущим аналитикам, ведь всем им предстоит собирать и хранить данные, «разглядывать» их самим и показывать другим. Модели данных – это стандартные в области аналитической деятельности «языки», на которых аналитики рассказывают друг другу о данных. Курс учит пользоваться этими общераспространенными «языками», что обеспечивает взаимопонимание при аналитической деятельности. Визуализация – это тоже форма рассказа о данных, соответственно, она тоже происходит в рамках таких «языков». Важнейшую роль такие «языки» получили в консалтинговых и аналитических подразделениях «большой четверки» – крупнейших в мире консалтинговых компаниях. Будут рассмотрены основные модели данных – разные способы мыслить и формализовать представление информации в аналитике. В связи с этим будет рассмотрена «аналитическая» часть SQL. В свою очередь, о визуализации будет рассказано одновременно с позиций аналитических целей и моделей данных. Будут рассмотрены «гиганты визуализации» – системы QlikView и Tableau,– развивающие идеологию OLAP. Будут рассмотрены практики «рассказывания историй по данным» (storytelling with data) и «интерактивных панелей». В курсе основное внимание уделяется «языку» аналитического общения, соответственно, большая его часть доступна бакалаврам первого-второго курсов. Предполагается, что студенты подготовят панель и сделают доклад о данных по актуальной для них жизненной проблеме.
 
}}
}}
-
{{Курс|Режим = {{{1}}}|Название =
+
{{Курс|Режим = {{{1}}}|Название =
-
'''Непрерывные морфологические модели и алгоритмы (Continuous morphological models and algorithms)''', [[Участник:Mest|Л.М. Местецкий]], для магистров.
+
'''Основы математических методов прогнозирования''', [[Участник:OlgaK|О.А. Кравцова]] [[Участник:Юлиан|Ю.А. Сердюк]]
-
|Описание =
+
|Описание =}}
-
В компьютере изображения представляются прямоугольными матрицами точек, обладающих определенным цветом и яркостью. Такое дискретное представление является удобным для ввода, запоминания, обработки в компьютере. Однако для анализа и распознавания формы объектов на изображении человеку привычнее и проще оперировать непрерывными геометрическими фигурами. Основные преимущества непрерывного представления формы объектов: адекватность его с физической сущностью «сплошных» объектов реального мира, возможность использования методов «непрерывной» математики для анализа, преобразования, распознавания формы объектов. В курсе рассматриваются основы непрерывного подхода к анализу формы объектов в дискретных изображениях. Сюда входит аппроксимация бинарных растровых изображений многоугольными фигурами, медиальное представление фигур, вычисление скелетов, сравнение и преобразование формы на основе медиального представления. Будут рассмотрены приложения непрерывных моделей формы в распознавании изображений.
+
 
-
}}
+
}}
 +
<noinclude>
 +
== Спецсеминары ==
 +
</noinclude>
 +
{{#if: {{{Спецкурсы|}}}
 +
|'''[[Математические методы прогнозирования (кафедра ВМиК МГУ)/Спецкурсы-спецсеминары|Все спецкурсы]]'''
 +
|<!-- ЗДЕСЬ ПЕРЕЧИСЛЯЮТСЯ СПЕЦСЕМИНАРЫ ТЕКУЩЕГО СЕМЕСТРА-->
 +
 
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
'''Методы и технологии машинного обучения''' (Methods and Technologies of Machine Learning), А. И. Майсурадзе, для магистров.
+
'''[[Развитие методов машинного обучения]]''', [[Участник:Victor_Kitov|В.В. Китов]].
-
|Описание =
+
-
Успех и сама возможность проведения многих современных индустриальных и научных проектов в самых разных предметных областях всё чаще зависит от корректного анализа накопленной информации. Поэтому в наши дни практически каждый специалист должен иметь представление о возможностях и ограничениях, которые возникают при использовании существующего арсенала методов и средств интеллектуального анализа данных (Data Mining). Цель предлагаемого курса как раз и состоит в том, чтобы создать у слушателя представление об аналитической деятельности и соответствующей математической теории. Рассматриваются основные классы задач машинного обучения и методов их решения. В курсе будут рассмотрены примеры успешно решённых задач из таких областей, как медицинские исследования, антропология, наукометрия, социология, прогноз свойств химических соединений, компьютерное зрение. Для каждого из проектов будет рассказано о задачах и методах их решения, а также об использованных технологиях.
+
-
}}
+
-
{{Курс|Режим = {{{1}}}|Название =
+
-
'''[https://goo.gl/k7NLL1 Методы машинного обучения и поиск закономерностей в данных (Machine learning and search of regularities in data)]''', [[Участник:Сенько Олег|О.В. Сенько]], для бакалавров.
+
|Описание =
|Описание =
-
В курсе обсуждаются основные проблемы, возникающие при использовании методов обучения по прецедентам (машинного обучения). Даётся краткий обзор существующих методов распознавания и регрессионного анализа. Рассказывается о способах оценки точности на генеральной совокупности (обобщающей способности). Обсуждаются различные способы повышения обобщающей способности методов машинного обучения. Приглашаются бакалавры.
 
}}
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
'''Учебно-исследовательский семинар «Интеллектуальный анализ данных: новые задачи и методы»''', руководители [[Участник:Sgur|С.И.Гуров]], [[Участник:AIM|А.И.Майсурадзе]]
+
'''[[Продвинутое развитие методов машинного обучения]]''', [[Участник:Victor_Kitov|В.В. Китов]].
-
|Описание =
+
-
Спецсеминар проходит '''по средам в ауд. 704, начало в 18-15'''. Первое занятие состоится {{Важно|21 февраля (среда)}} на спецсеминаре состоится доклад к.ф.-м.н., доц. С.И. Гурова '''Случайные графы: теория и применение'''. В докладе будет дан обзор основных понятий теории случайных графов и рассмотрены их модели. Излагаются основные понятия вероятностного метода, игры Эренфойхта и др. Описываются применения теории случайных графов к моделированию Интернета.
+
-
}}
+
-
{{Курс|Режим = {{{1}}}|Название =
+
-
'''Непрерывные морфологические модели и алгоритмы (Continuous morphological models and algorithms)''', [[Участник:Mest|Л.М. Местецкий]].
+
|Описание =
|Описание =
-
В компьютере изображения представляются прямоугольными матрицами точек, обладающих определенным цветом и яркостью. Такое дискретное представление является удобным для ввода, запоминания, обработки в компьютере. Однако для анализа и распознавания формы объектов на изображении человеку привычнее и проще оперировать непрерывными геометрическими фигурами. Основные преимущества непрерывного представления формы объектов: адекватность его с физической сущностью «сплошных» объектов реального мира, возможность использования методов «непрерывной» математики для анализа, преобразования, распознавания формы объектов. В курсе рассматриваются основы непрерывного подхода к анализу формы объектов в дискретных изображениях. Сюда входит аппроксимация бинарных растровых изображений многоугольными фигурами, медиальное представление фигур, вычисление скелетов, сравнение и преобразование формы на основе медиального представления. Будут рассмотрены приложения непрерывных моделей формы в распознавании изображений.
+
}}
-
}}
+
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
'''[https://goo.gl/k7NLL1 Методы машинного обучения и поиск закономерностей в данных (Machine learning and search of regularities in data)]''', лектор [[Участник:Сенько Олег|О.В. Сенько]].
+
'''[[Задачи обработки сигналов]]''', [[Участник:Sgur|С.И. Гуров]].
|Описание =
|Описание =
-
В курсе обсуждаются основные проблемы, возникающие при использовании методов обучения по прецедентам (машинного обучения). Даётся краткий обзор существующих методов распознавания и регрессионного анализа. Рассказывается о способах оценки точности на генеральной совокупности (обобщающей способности). Обсуждаются различные способы повышения обобщающей способности методов машинного обучения.
 
-
}}
 
-
{{Курс|Режим = {{{1}}}|Название =
 
-
'''«Аналитические модели данных и их визуализация»''', (Analytical Data Models and Visualization), лектор А.И. Майсурадзе.
 
-
|Описание =
 
-
В данном курсе излагаются теоретические и практические знания, которые понадобятся всем будущим аналитикам, ведь всем им предстоит собирать и хранить данные, «разглядывать» их самим и показывать другим. Модели данных – это стандартные в области аналитической деятельности «языки», на которых аналитики рассказывают друг другу о данных. Курс учит пользоваться этими общераспространенными «языками», что обеспечивает взаимопонимание при аналитической деятельности. Визуализация – это тоже форма рассказа о данных, соответственно, она тоже происходит в рамках таких «языков». Важнейшую роль такие «языки» получили в консалтинговых и аналитических подразделениях «Большой четверки». В современном анализе данных принято выделять три уровня задач, методов и соответствующих технологий: сбор и хранение данных, оперативная аналитика и визуализация, интеллектуальный анализ. Обычно бизнес, опирающийся на анализ данных, последовательно проходит все эти уровни. Всем сотрудникам компаний, непосредственно занимающимся или поддерживающим аналитическую деятельность, постоянно приходится работать с первыми двумя уровнями. Сложные математические модели преобразования информации (машинное обучение) относятся к последнему третьему уровню. Разумеется, в эру больших данных в первую очередь выросла сложность задач и технологий первых двух уровней. Общеизвестным примером является система Google Analytics. Будут рассмотрены основные модели данных – разные способы мыслить и формализовать представление информации в аналитике. В связи с этим будет рассмотрена «аналитическая» часть SQL. В свою очередь, о визуализации будет рассказано одновременно с позиций аналитических целей и моделей данных. Будут рассмотрены «гиганты визуализации» – системы QlikView и Tableau,– развивающие идеологию OLAP. Будут рассмотрены практики «рассказывания историй по данным» (storytelling with data) и «интерактивных панелей». В курсе основное внимание уделяется «языку» аналитического общения, соответственно, большая его часть доступна бакалаврам первого-второго курсов. Предполагается, что студенты подготовят панель и сделают доклад о данных по актуальной для них жизненной проблеме. Спецкурс проходит по '''понедельникам в ауд. 582, начало в 16-20'''. Первое занятие состоится {{важно|11 сентября (понедельник)}}.
 
}}
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
'''Задачи и алгоритмы вычислительной геометрии''' (Computational Geometry: Problems and Algorithms), [[Участник:Mest|Л.М. Местецкий]].
+
'''[[Интеллектуальный анализ данных: новые задачи и методы]]''', [[Участник:Sgur|С.И. Гуров]].
|Описание =
|Описание =
-
Семестровый спецкурс для студентов ВМК Эффективные алгоритмы работы с геометрической информацией являются непременным атрибутом всех современных систем машинного зрения, анализа и распознавания изображений, компьютерной графики и геоинформатики. Геометрические алгоритмы предоставляют хорошее поле для развития алгоритмического мышления, необходимого в прикладной математике. В первой части спецкурса будут рассмотрены классические темы вычислительной геометрии: геометрический поиск, выпуклые оболочки, пересечение и близость объектов, диаграммы Вороного, триангуляции Делоне. Вторая часть курса посвящена скелетам, обобщениям диаграмм Вороного для многоугольников и задачам медиального анализа формы изображений. Просьба всем желающим прослушать этот курс зарегистрироваться, послав письмо на почту mestlm@mail.ru Приглашаются студенты, магистры и аспиранты.
+
}}
-
}}
+
-
{{Курс|Режим = {{{1}}}|Название =
+
-
'''"Методы машинного обучения и поиск достоверных закономерностей в данных"''', Machine learning and search of valid regularities in data, [[Участник:Сенько Олег|О.В. Сенько]].
+
-
|Описание =
+
-
В курсе обсуждаются основные проблемы, возникающие при использовании методов обучения по прецедентам (машинного обучения). Даётся краткий обзор существующих методов распознавания и регрессионного анализа. Обсуждаются способы повышения обобщающей способности методов машинного обучения.
+
-
}}
+
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
'''Анализ графов, сетей, функций сходства''' (Graphs, Network, Distance Function Analysis), А.И. Майсурадзе.
+
'''[[Анализ слабоструктурированной и метрической информации]]''', [[Участник:AIM|А.И. Майсурадзе]]
-
|Описание =
+
-
В курсе изучаются методы и технологии интеллектуального анализа данных (ИАД, Data Mining), базирующиеся на моделях, в которых объекты рассматриваются парами. Есть два основных пути формализовать пару объектов: между некоторыми объектами есть связь или взаимодействие — и тогда мы говорим о графах и сетях; между всеми объектами есть сходство или расстояние — и тогда речь идёт о различных метриках. Эти две формализации не исключают друг друга, например в классической задаче поиска кратчайшего пути мы говорим одновременно о графах и расстояниях. Сегодня графы появляются всё время и во всех предметных областях. Если некоторые теоретические подходы и индустриальные стандарты возникли уже несколько десятилетий назад, то технологии сбора и обработки информации развиваются в наши дни. Основное внимание уделяется анализу свойств и выявлению подструктур в сетях. Важную роль играет изучение механизмов роста сетей, базирующееся на различных моделях и методах генерации графов. Идея сходства свойственна человеческому мышлению, это породило целый комплекс подходов для решения всех фундаментальных задач ИАД. Представлена теоретическая основа для построения, реализации и анализа широкого спектра моделей и методов ИАД. Рассмотрены методы построения и вычисления функций сходства, согласование сходства на различных множествах объектов, синтез новых способов сравнения объектов на базе уже имеющихся. Рассмотрен комплекс технологий, предназначенный для эффективного представления и обработки метрической информации вычислительными системами. Изучаются специальные структуры данных и алгоритмы, позволяющие эффективно настраивать и использовать изучаемые модели. Существенный практический интерес представляют различные методы визуализации рассматриваемых информационных моделей. Спецкурс могут слушать второкурсники.
+
-
}}
+
-
{{Курс|Режим = {{{1}}}|Название =
+
-
'''Непрерывные морфологические модели и алгоритмы''' (Continuous morphological models and algorithms), [[Участник:Mest|Л.М. Местецкий]].
+
|Описание =
|Описание =
-
В курсе рассматриваются основы непрерывного подхода к анализу формы объектов в дискретных изображениях. Сюда входит аппроксимация бинарных растровых изображений многоугольными фигурами, представление фигур циркулярными графами, вычисление скелетов, сравнение и преобразование формы на основе циркулярных графов. Будут рассмотрены приложения непрерывных моделей формы в распознавании изображений.
 
}}
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
'''Методы машинного обучения и поиск закономерностей в данных''', [[Участник:Сенько Олег|О.В. Сенько]].
+
'''[[Сравнение объектов в интеллектуальном анализе данных]]''', [[Участник:AIM|А.И. Майсурадзе]]
|Описание =
|Описание =
-
В курсе обсуждаются основные проблемы, возникающие при использовании методов обучения по прецедентам (машинного обучения). Даётся краткий обзор существующих методов распознавания и регрессионного анализа. Рассказывается о способах оценки точности на генеральной совокупности (обобщающей способности). Обсуждаются различные способы повышения обобщающей способности методов машинного обучения.
 
}}
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
'''Задачи и алгоритмы вычислительной геометрии''', [[Участник:Mest|Л.М. Местецкий]].
+
'''[[Методы машинного обучения и поиск закономерностей в данных]]''', [[Участник:Сенько Олег|О.В. Сенько]]
|Описание =
|Описание =
-
Эффективные алгоритмы работы с геометрической информацией являются непременным атрибутом всех современных систем машинного зрения, анализа и распознавания изображений, компьютерной графики и геоинформатики. Геометрические алгоритмы предоставляют хорошее поле для развития алгоритмического мышления, необходимого в прикладной математике. В первой части спецкурса будут рассмотрены классические темы вычислительной геометрии: геометрический поиск, выпуклые оболочки, пересечение и близость объектов, диаграммы Вороного, триангуляции Делоне. Вторая часть курса посвящена скелетам, обобщениям диаграмм Вороного для многоугольников и задачам медиального анализа формы изображений.
 
}}
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
'''[[Метрические методы интеллектуального анализа данных (курс лекций, А.И. Майсурадзе)|Метрические методы интеллектуального анализа данных]]''', А.И. Майсурадзе.
+
'''[[Непрерывные морфологические модели и алгоритмы]]''', [[Участник:Vokov|К.В. Воронцов]]
|Описание =
|Описание =
-
Рассматриваются методы и технологии, применяющиеся в интеллектуальном анализе данных (ИАД, data mining) и базирующиеся на понятиях сходства, близости, аналогии. Идея сходства свойственна человеческому мышлению, это породило целый комплекс подходов для всех фундаментальных задач ИАД, среди которых основное внимание в курсе уделено классификации, восстановлению регрессии, кластеризации, восстановлению пропущенных данных.
 
}}
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
'''Неклассические математические модели обработки данных''', А.И. Майсурадзе.
+
'''[[Дискретно-непрерывные преобразования изображений в задачах распознавания]]''', [[Участник:Mest|Л.М. Местецкий]]
|Описание =
|Описание =
-
В большинстве случаев анализ данных проводится с целью последующего принятия некоторого решения. Решение должно быть принято в результате некоторых рассуждений с использованием доступной информации о предметной области вообще и конкретной ситуации в частности. Цель курса состоит в том, чтобы продемонстрировать различные способы представления информации и формализации знаний, соответственно, различные способы проведения рассуждений и различные виды представления результатов, к которым указанные рассуждения приводят. Результаты анализа данных требуется транслировать в рамки того же самого формализма, который используется при рассуждениях. И наоборот, каждая модель предполагает свои способы перехода от формализма к окончательному решению. В курсе для каждой модели рассматриваются способы включения данных и рассуждений в общую стратегию принятия решений. В частности, будет продемонстрировано, как можно сравнивать конкурентов, и как каждый из конкурентов способен показать, что его предложение – лучшее.
 
}}
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
'''[[Непрерывные морфологические модели и алгоритмы (курс лекций, Л.М. Местецкий)|Непрерывные морфологические модели и алгоритмы]]''', [[Участник:Mest|Л.М. Местецкий]].
+
'''[[Непрерывные морфологические модели в обработке и распознавании изображений]]''', [[Участник:Mest|Л.М. Местецкий]]
-
|Описание =
+
-
В курсе рассматриваются основы непрерывного подхода к анализу формы объектов в дискретных изображениях. Сюда входит аппроксимация бинарных растровых изображений многоугольными фигурами, представление фигур циркулярными графами, вычисление скелетов, сравнение и преобразование формы на основе циркулярных графов. Рассматриваются приложения непрерывных моделей формы в распознавании изображений.
+
-
}}
+
-
<!-- КОНЕЦ ПЕРЕЧИСЛЕНИЯ ОСТАЛЬНЫХ СПЕЦКУРСОВ-->
+
-
== Спецсеминары ==</noinclude>
+
-
{{#if: {{{Спецкурсы|}}}
+
-
|'''[[Математические методы прогнозирования (кафедра ВМиК МГУ)/Спецкурсы-спецсеминары|Все спецкурсы]]'''
+
-
|<!-- ЗДЕСЬ ПЕРЕЧИСЛЯЮТСЯ СПЕЦСЕМИНАРЫ ТЕКУЩЕГО СЕМЕСТРА-->
+
-
 
+
-
<!-- КОНЕЦ ПЕРЕЧИСЛЕНИЯ СПЕЦСЕМИНАРОВ ТЕКУЩЕГО СЕМЕСТРА-->
+
-
}}<noinclude><!-- ЗДЕСЬ ПЕРЕЧИСЛЯЮТСЯ ВСЕ ОСТАЛЬНЫЕ СПЕЦСЕМИНАРЫ-->
+
-
{{Курс|Режим = {{{1}}}|Название =
+
-
'''[[Анализ данных в метрических пространствах]]''', [[Участник:AIM|А.И.Майсурадзе]].
+
|Описание =
|Описание =
}}
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
'''[[Логические модели распознавания]]''', [[Участник:Djukova|Е.В.Дюкова]].
+
'''[[Логические модели распознавания]]''', [[Участник:Djukova|Е.В. Дюкова]] [[Участник:Pprok|П.А. Прокофьев]]
|Описание =
|Описание =
}}
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
'''[[Дискретно-непрерывные преобразования изображений в задачах распознавания]]''', [[Участник:Mest|Л.М.Местецкий]].
+
'''[[Байесовские методы машинного обучения]]''', [[Участник:Dmitry Vetrov|Д.П. Ветров]] [[Участник:Kropotov|Д.А. Кропотов]]
|Описание =
|Описание =
}}
}}
-
<!-- КОНЕЦ ПЕРЕЧИСЛЕНИЯ ВСЕХ ОСТАЛЬНЫХ СПЕЦСЕМИНАРОВ -->
 
 +
}}
 +
<noinclude>
== Архив курсов и семинаров ==
== Архив курсов и семинаров ==
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
'''[[Введение в машинное обучение]]''', [[Участник:Dj|А.Г. Дьяконов]], для бакалавров.
+
'''Анализ информации''', В.К. Леонтьев.
-
|Описание =
+
|Описание =
-
Спецкурс предназначен бакалаврам младших курсов (1-2) для ознакомления с машинным обучением (Machine Learning) "с нуля". В начале существенное время уделяется языку программирования Python, специализированным библиотекам (numpy, pandas, scikit-learn) и средам программирования (Jupyter notebook). Курс рекомендуется студентам, которые хотят продолжить обучение на кафедре математических методов прогнозирования. Для бакалавров старших курсов 3го потока лектор читает более продвинутую версию этого курса в виде обязательного потокового.
+
-
}}
+
-
{{Курс|Режим = {{{1}}}|Название =
+
-
'''[[Нестатистические методы анализа данных и классификации (курс лекций, В.В.Рязанов)|Нестатистический анализ данных (Non-statistical methods of data mining and classification)]]''', [[Участник:Rvv|В.В.Рязанов]], для бакалавров.
+
-
|Описание =
+
-
Основная цель спецкурса состоит в изложении основанных на оптимизационных, дискретных и эвристических подходах методов анализа данных. Будут рассмотрены логические модели распознавания (классификации с учителем) и анализа разнотипных многомерных данных, методы оптимизации моделей распознавания, алгоритмы поиска скрытых логических закономерностей и связей по признаковым описаниям, методы создания качественных моделей объектов, ситуаций, явлений или процессов. Будут рассмотрены практические численные методы решения данных задач, и их применения в медицине, бизнесе, химии, технике и других областях. The aim is to present a special course based on optimization, discrete and heuristic approaches of data mining. The logical models of supervised classification, techniques to optimize models of classification, algorithms for finding hidden logical regularities will be considered. Приглашаются бакалавры.
+
}}
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
'''[[Логико-статистические модели в распознавании, прогнозировании и интеллектуальном анализе данных (курс лекций, О.В. Сенько)|Логико-статистические модели в распознавании, прогнозировании и интеллектуальном анализе данных]]''', [[Участник:Сенько Олег|О.В. Сенько]].
+
'''Аналитические модели данных и их визуализация''', А.И. Майсурадзе.
-
|Описание =
+
|Описание =
-
Рассматриваются методы интеллектуального анализа данных, основанные на выделении в многомерном пространстве прогностических переменных областей, в которых значения прогнозируемой переменной достоверно отличаются от средних значений по всей выборке. Верификация выявленных закономерностей проводится с помощью рандомизированных перестановочных тестов. Приводятся примеры использования рассматриваемых методов при решении разнообразных прикладных задач.
+
}}
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
'''[[Извлечение информации из изображений (курс лекций, И.Б. Гуревич)|Извлечение информации из изображений]]''', И.Б. Гуревич.
+
'''[[Булевы уравнения и проблема SAT]]''', [[Участник:Sgur|С.И. Гуров]], [[Участник:Dj|А.Г. Дьяконов]].
|Описание =
|Описание =
-
В спецкурсе представлены постановки и методы решения математических и вычислительных задач, возникающих в связи с анализом и оцениванием информации, представляемой в виде изображений.
 
}}
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
'''[[Теория надёжности обучения по прецедентам (курс лекций, К. В. Воронцов)|Теория надёжности обучения по прецедентам]]''', [[Участник:Vokov|К.В. Воронцов]].
+
'''[[Введение в машинное обучение]]''', [[Участник:Dj|А.Г. Дьяконов]], для бакалавров.
-
|Описание = Спецкурс знакомит студентов с современным состоянием теории вычислительного обучения, исследующей проблему качества восстановления зависимостей по эмпирическим данным. Подробно рассматривается комбинаторная теория, позволяющая получать точные оценки вероятности переобучения.
+
|Описание =
-
}}
+
Спецкурс предназначен бакалаврам младших курсов (1-2) для ознакомления с машинным обучением (Machine Learning) "с нуля". В начале существенное время уделяется языку программирования Python, специализированным библиотекам (numpy, pandas, scikit-learn) и средам программирования (Jupyter notebook). Курс рекомендуется студентам, которые хотят продолжить обучение на кафедре математических методов прогнозирования. Для бакалавров старших курсов 3го потока лектор читает более продвинутую версию этого курса в виде обязательного потокового.
 +
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
'''[[Булевы уравнения и проблема SAT]]''', [[Участник:Sgur|С.И. Гуров]], [[Участник:Dj|А.Г. Дьяконов]].
+
'''Восстановление зависимостей в больших массивах данных''', [[Участник:Krasotkina|О.В. Красоткина]].
|Описание =
|Описание =
 +
Целью данного курса является систематическое изучение распределённых файловых систем (таких, как например, Hadoop) как инструмента для создания параллельных реализаций алгоритмов машинного обучения на больших массивах данных. В ходе курса студенты получат навык использования возможностей модели распределённых вычислений MapReduce для параллельных вычислений над очень большими наборами данных в компьютерных кластерах. В ходе курса рассматриваются параллельные реализации таких основных алгоритмов машинного обучения как регрессия, классификация, кластеризация, коллаборативная фильтрация, классификация в метрических пространствах и т.д. Так же в рамках курса студентам будет предложено разработать собственные параллельные реализации алгоритмов восстановления зависимостей. Курс ориентирован на студентов, знакомых с основными концепциями и алгоритмами машинного обучения.
}}
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
Строка 309: Строка 329:
|Описание =
|Описание =
Данный курс рассчитан на будущих специалистов в области математики и информатики. На примере биоинформатики иллюстрируется, как математик мог бы вникать в специфику предметной области, чтобы суметь успешно приспособить известные ему методы для решения прикладных и исследовательских задач.
Данный курс рассчитан на будущих специалистов в области математики и информатики. На примере биоинформатики иллюстрируется, как математик мог бы вникать в специфику предметной области, чтобы суметь успешно приспособить известные ему методы для решения прикладных и исследовательских задач.
-
}}
 
-
{{Курс|Режим = {{{1}}}|Название = '''[[Шаманство в анализе данных]] (для студентов 2 курса ВМК МГУ)''', [[Участник:Dj|А.Г. Дьяконов]]. |Описание = Первая лекция: "Что такое машинное обучение и анализ данных?" Понедельник 02.03.2015 16:20 ауд.504 Курс читается для второкурсников, которые выбирают кафедру и научного руководителя, знакомит с некоторыми направлениями исследований, которые выполняются на кафедре математических методов прогнозирования. В первой лекции даётся обзор основных задач машинного обучения, рассматриваются приложения, описываются потребности современных компаний в решении подобных задач.
 
}}
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
'''Анализ информации''', В.К. Леонтьев.
+
'''[[Извлечение информации из изображений (курс лекций, И.Б. Гуревич)|Извлечение информации из изображений]]''', И.Б. Гуревич.
|Описание =
|Описание =
-
}}
+
В спецкурсе представлены постановки и методы решения математических и вычислительных задач, возникающих в связи с анализом и оцениванием информации, представляемой в виде изображений.
-
{{Курс|Режим = {{{1}}}|Название =
+
-
'''[[Компьютерные методы обработки сигналов (курс лекций, О.В. Красоткина)/2013, ММП|Компьютерные методы обработки сигналов]]''', [[Участник:Krasotkina|О.В. Красоткина]].
+
-
|Описание =
+
-
Целью данного курса является систематическое изучение задач, теоретических методов и алгоритмов компьютерного анализа экспериментальных данных, упорядоченных вдоль некоторой оси. Курс лекций включает изучение базовых вопросов дискретизации сигналов по времени, получения их цифрового представления, цифровой фильтрации, спектрально-корреляционного анализа. Большое внимание уделяется вопросам построения и оценивания моделей нестационарных сигналов на основе марковской теории случайных процессов. Задачей курса является предоставить студентам уникальные инструменты, позволяющие решать конкретные прикладные задачи из различных областей знаний: миробиоологии, экономики, финансов, техники и технологии.
+
-
}}
+
-
{{Курс|Режим = {{{1}}}|Название =
+
-
'''Модели распознавания''', Козлов Вадим Никитович.
+
-
|Описание =
+
-
В курсе представлены как классические подходы к распознаванию образов (дискриминантный подход в детерминированной и вероятностной ипостасях, структурно-лингвистический, тестовый и алгебраический подходы), так и разработки последнего времени, включая те, которые делались в МГУ. Курс является существенно расширенным и усложненным вариантом курса '''[http://universarium.org/courses/info/314 Распознающие системы]''', прочитанного автором в интернете на сайтах образовательной организации ''Универсариум''. Приглашаются студенты 2-4 курсов, все желающие.
+
}}
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
Строка 332: Строка 341:
}}
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
'''[[Спецкурс «Прикладные задачи анализа данных»|Прикладные задачи анализа данных]]''', [[Участник:Dj|А.Г. Дьяконов]], читайте информацию на странице курса.
+
'''[[Компьютерные методы обработки сигналов (курс лекций, О.В. Красоткина)/2013, ММП|Компьютерные методы обработки сигналов]]''', [[Участник:Krasotkina|О.В. Красоткина]].
|Описание =
|Описание =
 +
Целью данного курса является систематическое изучение задач, теоретических методов и алгоритмов компьютерного анализа экспериментальных данных, упорядоченных вдоль некоторой оси. Курс лекций включает изучение базовых вопросов дискретизации сигналов по времени, получения их цифрового представления, цифровой фильтрации, спектрально-корреляционного анализа. Большое внимание уделяется вопросам построения и оценивания моделей нестационарных сигналов на основе марковской теории случайных процессов. Задачей курса является предоставить студентам уникальные инструменты, позволяющие решать конкретные прикладные задачи из различных областей знаний: миробиоологии, экономики, финансов, техники и технологии.
}}
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
'''[[Нестатистические методы анализа данных и классификации (курс лекций, В.В.Рязанов)|Нестатистические методы анализа данных и классификации]]''', [[Участник:Rvv|В.В. Рязанов]].
+
'''[[Логико-статистические модели в распознавании, прогнозировании и интеллектуальном анализе данных (курс лекций, О.В. Сенько)|Логико-статистические модели в распознавании, прогнозировании и интеллектуальном анализе данных]]''', [[Участник:Сенько Олег|О.В. Сенько]].
|Описание =
|Описание =
-
Основная цель спецкурса состоит в изложении основанных на оптимизационных, дискретных и эвристических подходах методов анализа данных. Будут рассмотрены логические модели распознавания (классификации с учителем) и анализа разнотипных многомерных данных, методы оптимизации моделей распознавания, алгоритмы поиска скрытых логических закономерностей и связей по признаковым описаниям, методы создания качественных моделей объектов, ситуаций, явлений или процессов. Будут рассмотрены практические численные методы решения данных задач, и их применения в медицине, бизнесе, химии, технике и других областях.
+
Рассматриваются методы интеллектуального анализа данных, основанные на выделении в многомерном пространстве прогностических переменных областей, в которых значения прогнозируемой переменной достоверно отличаются от средних значений по всей выборке. Верификация выявленных закономерностей проводится с помощью рандомизированных перестановочных тестов. Приводятся примеры использования рассматриваемых методов при решении разнообразных прикладных задач.
}}
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
[[Методы_автоматической_обработки_текстов_%28курс_лекций%2C_В.В.Китов%29/2016|Математические методы анализа текстов]], В.В. Китов.
+
'''[[Методы_автоматической_обработки_текстов_%28курс_лекций%2C_В.В.Китов%29/2016|Математические методы анализа текстов]]''', [[Участник:Victor_Kitov|В.В. Китов]].
|Описание =
|Описание =
В курсе даются математические подходы к автоматическому анализу и извлечению информации из текстов. Изучается обработка и парсинг текста: 1) на уровне слов (определение морфологических характеристик, частей речи), 2) на уровне предложений (определение субъекта, объекта, действия, дополнений), 3) на уровне фрагмента текста (определение именованных сущностей) и 4) на уровне коллекции документов (извлечение основных тем, представленных в коллекции). Далее изученные методы обработки текстов используются для классификации текстов по категориям, эффективной визуализации содержимого больших текстовых коллекций, извлечения фактов из текстов для наполнения баз данных фактов, представленных онтологиями. Спецкурс предполагает знание теории вероятностей, линейной алгебры, математического анализа и основ машинного обучения. В качестве основных инструментов работы с текстами будет использоваться язык программирования питон с научными библиотеками, модуль по обработке текстов NLTK, а также публично доступная онтология WordNet.
В курсе даются математические подходы к автоматическому анализу и извлечению информации из текстов. Изучается обработка и парсинг текста: 1) на уровне слов (определение морфологических характеристик, частей речи), 2) на уровне предложений (определение субъекта, объекта, действия, дополнений), 3) на уровне фрагмента текста (определение именованных сущностей) и 4) на уровне коллекции документов (извлечение основных тем, представленных в коллекции). Далее изученные методы обработки текстов используются для классификации текстов по категориям, эффективной визуализации содержимого больших текстовых коллекций, извлечения фактов из текстов для наполнения баз данных фактов, представленных онтологиями. Спецкурс предполагает знание теории вероятностей, линейной алгебры, математического анализа и основ машинного обучения. В качестве основных инструментов работы с текстами будет использоваться язык программирования питон с научными библиотеками, модуль по обработке текстов NLTK, а также публично доступная онтология WordNet.
 +
}}
 +
{{Курс|Режим = {{{1}}}|Название =
 +
'''Методы и технологии машинного обучения''', О.В. Сенько, А.И. Майсурадзе.
 +
|Описание =
}}
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
Строка 351: Строка 365:
}}
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
'''[[Нестатистические методы анализа данных и классификации (курс лекций, В.В.Рязанов)|Нестатистические методы анализа данных и классификации]]''', [[Участник:Rvv|В.В. Рязанов]].
+
'''Модели распознавания''', Козлов Вадим Никитович.
-
|Описание =
+
|Описание =
-
Основная цель спецкурса состоит в изложении основанных на оптимизационных, дискретных и эвристических подходах методов анализа данных. Будут рассмотрены логические модели распознавания (классификации с учителем) и анализа разнотипных многомерных данных, методы оптимизации моделей распознавания, алгоритмы поиска скрытых логических закономерностей и связей по признаковым описаниям, методы создания качественных моделей объектов, ситуаций, явлений или процессов. Будут рассмотрены практические численные методы решения данных задач, и их применения в медицине, бизнесе, химии, технике и других областях.
+
В курсе представлены как классические подходы к распознаванию образов (дискриминантный подход в детерминированной и вероятностной ипостасях, структурно-лингвистический, тестовый и алгебраический подходы), так и разработки последнего времени, включая те, которые делались в МГУ. Курс является существенно расширенным и усложненным вариантом курса '''[http://universarium.org/courses/info/314 Распознающие системы]''', прочитанного автором в интернете на сайтах образовательной организации ''Универсариум''. Приглашаются студенты 2-4 курсов, все желающие.
}}
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
'''Аналитические модели данных и их визуализация''', А.И. Майсурадзе.
+
'''[[Нестатистические методы анализа данных и классификации (курс лекций, В.В.Рязанов)|Нестатистический анализ данных (Non-statistical methods of data mining and classification)]]''', [[Участник:Rvv|В.В.Рязанов]], для бакалавров.
-
|Описание =
+
|Описание =
 +
Основная цель спецкурса состоит в изложении основанных на оптимизационных, дискретных и эвристических подходах методов анализа данных. Будут рассмотрены логические модели распознавания (классификации с учителем) и анализа разнотипных многомерных данных, методы оптимизации моделей распознавания, алгоритмы поиска скрытых логических закономерностей и связей по признаковым описаниям, методы создания качественных моделей объектов, ситуаций, явлений или процессов. Будут рассмотрены практические численные методы решения данных задач, и их применения в медицине, бизнесе, химии, технике и других областях. The aim is to present a special course based on optimization, discrete and heuristic approaches of data mining. The logical models of supervised classification, techniques to optimize models of classification, algorithms for finding hidden logical regularities will be considered. Приглашаются бакалавры.
}}
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
'''Методы и технологии машинного обучения''', О.В. Сенько, А.И. Майсурадзе.
+
'''[[Спецкурс «Прикладные задачи анализа данных»|Прикладные задачи анализа данных]]''', [[Участник:Dj|А.Г. Дьяконов]], читайте информацию на странице курса.
|Описание =
|Описание =
}}
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
'''Восстановление зависимостей в больших массивах данных''', [[Участник:Krasotkina|О.В. Красоткина]].
+
'''[[Теория надёжности обучения по прецедентам (курс лекций, К. В. Воронцов)|Теория надёжности обучения по прецедентам]]''', [[Участник:Vokov|К.В. Воронцов]].
-
|Описание =
+
|Описание = Спецкурс знакомит студентов с современным состоянием теории вычислительного обучения, исследующей проблему качества восстановления зависимостей по эмпирическим данным. Подробно рассматривается комбинаторная теория, позволяющая получать точные оценки вероятности переобучения.
-
Целью данного курса является систематическое изучение распределённых файловых систем (таких, как например, Hadoop) как инструмента для создания параллельных реализаций алгоритмов машинного обучения на больших массивах данных. В ходе курса студенты получат навык использования возможностей модели распределённых вычислений MapReduce для параллельных вычислений над очень большими наборами данных в компьютерных кластерах. В ходе курса рассматриваются параллельные реализации таких основных алгоритмов машинного обучения как регрессия, классификация, кластеризация, коллаборативная фильтрация, классификация в метрических пространствах и т.д. Так же в рамках курса студентам будет предложено разработать собственные параллельные реализации алгоритмов восстановления зависимостей. Курс ориентирован на студентов, знакомых с основными концепциями и алгоритмами машинного обучения.
+
}}
 +
{{Курс|Режим = {{{1}}}|Название = '''[[Шаманство в анализе данных]] (для студентов 2 курса ВМК МГУ)''', [[Участник:Dj|А.Г. Дьяконов]]. |Описание = Первая лекция: "Что такое машинное обучение и анализ данных?" Понедельник 02.03.2015 16:20 ауд.504 Курс читается для второкурсников, которые выбирают кафедру и научного руководителя, знакомит с некоторыми направлениями исследований, которые выполняются на кафедре математических методов прогнозирования. В первой лекции даётся обзор основных задач машинного обучения, рассматриваются приложения, описываются потребности современных компаний в решении подобных задач.
}}
}}
 +
{{Курс|Режим = {{{1}}}|Название =
 +
'''[[Алгебра над алгоритмами и эвристический поиск закономерностей]]''', [[Участник:Dj|А.Г.Дьяконов]]
 +
|Описание =
 +
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
'''[https://docs.google.com/document/d/1rfsmOIWl6vo9lt2Zr9ZwkIvDyO94ZngqcNoVm24pKac/edit Байесовские методы машинного обучения]''', [[Участник:Dmitry Vetrov|Д.П.Ветров]].
'''[https://docs.google.com/document/d/1rfsmOIWl6vo9lt2Zr9ZwkIvDyO94ZngqcNoVm24pKac/edit Байесовские методы машинного обучения]''', [[Участник:Dmitry Vetrov|Д.П.Ветров]].
|Описание =
|Описание =
-
}}
 
-
{{Курс|Режим = {{{1}}}|Название =
 
-
'''Учебно-научный семинар «Интеллектуальный анализ данных: новые задачи и методы»''', [[Участник:Sgur|С.И.Гуров]], [[Участник:AIM|А.И.Майсурадзе]].
 
-
|Описание =
 
}}
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
Строка 384: Строка 400:
}}
}}
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
'''[[Алгебра над алгоритмами и эвристический поиск закономерностей]]''', [[Участник:Dj|А.Г.Дьяконов]], по чётным понедельникам, начиная '''с 17 сентября, в 18:20, ауд. 508'''.
+
'''[[Спецсеминар "Прикладные методы прогнозирования и анализа данных"|Прикладные методы прогнозирования и анализа данных]]''', [[Участник:Rvv|В.В.Рязанов]].
-
|Описание =
+
-
}}
+
-
{{Курс|Режим = {{{1}}}|Название =
+
-
'''Способы повышения эффективности в задачах машинного обучения и интеллектуального анализа данных''', [[Участник:Сенько Олег|О.В.Сенько]].
+
|Описание =
|Описание =
}}
}}
Строка 395: Строка 407:
|Описание =
|Описание =
}}
}}
-
{{Курс|Режим = {{{1}}}|Название =
+
</noinclude>
-
'''[[Анализ и оценивание информации представленной в виде изображений]]''', И.Б.Гуревич.
+
<noinclude>
-
|Описание =
+
-
}}
+
-
{{Курс|Режим = {{{1}}}|Название =
+
-
'''[[Алгебрологические методы в задачах классификации и прогнозирования]]''', [[Журавлев, Юрий Иванович|Ю.И.Журавлёв]].
+
-
|Описание =
+
-
}}
+
-
{{Курс|Режим = {{{1}}}|Название =
+
-
'''[[Комбинаторные основы теории информации]]''', В.К.Леонтьев.
+
-
|Описание =
+
-
}}
+
-
{{Курс|Режим = {{{1}}}|Название =
+
-
'''[[Спецсеминар "Прикладные методы прогнозирования и анализа данных"|Прикладные методы прогнозирования и анализа данных]]''', [[Участник:Rvv|В.В.Рязанов]].
+
-
|Описание =
+
-
}}
+
-
{{Курс|Режим = {{{1}}}|Название =
+
-
'''[[Проблемно-ориентированные схемы распознавания]]''', [[Рудаков, Константин Владимирович|К.В.Рудаков]], [[Участник:Yury Chekhovich|Ю.В.Чехович]].
+
-
|Описание =
+
-
}}
+
-
 
+
-
 
+
-
 
+
-
 
+
== Ссылки ==
== Ссылки ==
[http://vmk.somee.com http://vmk.somee.com] — страница со спецкурсами и спецсеминарами факультета [[ВМК]].
[http://vmk.somee.com http://vmk.somee.com] — страница со спецкурсами и спецсеминарами факультета [[ВМК]].

Текущая версия

 
   
Кафедральные курсы
Спецкурсы/спецсеминары
Новости
Расписание
Учебный план
Персональный состав
Материалы
Диссертации/дипломные работы
Просеминар
  Тел. +7-495-939-4202
e-mail: Изображение:MMP_email.jpg
Ученый секретарь: О.А. Кравцова
Все контакты

Содержание


Расписание основных занятий

Расписание спецкурсов и спецсеминаров в весеннем семестре

Пара Понедельник Вторник Среда Четверг Пятница
8:45 – 10:20 Спецкурс Методы и технологии анализа данных, Майсурадзе Арчил Ивериевич, к.ф.-м.н.

Спецкурс Нейросетевые методы обработки изображений, Китов Виктор Владимирович, к.ф.-м.н.

10:30 – 12:05

Логика высказываний, Гуров Сергей Исаевич, к.ф.-м.н.

ПСАД, Сенько Олег Валентинович, д.ф.-м.н.
12:15 – 13:50

Логика высказываний, Гуров Сергей Исаевич, к.ф.-м.н.
14:35 – 16:10
16:20 – 17:55 Спецкурс Анализ графов и функций сходства, Майсурадзе Арчил Ивериевич, к.ф.-м.н.
18:05 – 19:40 Спецкурс Аналитическиие модели данных и их визуализация, Майсурадзе Арчил Ивериевич, к.ф.-м.н. Методы машинного обучения и поиск закономерностей в данных, Сенько Олег Валентинович, д.ф.-м.н.

Спецсеминар Анализ слабоструктурированной и метрической информации для бакалавров, Майсурадзе Арчил Ивериевич, к.ф.-м.н.

Спецкурс, Сенько Олег Валентинович, д.ф.-м.н.


Спецсеминар Сравнение объектов в интеллектуальном анализе данных для студентов магистратуры, Майсурадзе Арчил Ивериевич, к.ф.-м.н.

Учебно-научные спецсеминары Интеллектуальный анализ данных: новые задачи и методы (магистры) Гуров Сергей Исаевич, к.ф.-м.н. Для бакалавров: Задачи обработки сигналов (бакалавры). Гуров Сергей Исаевич, к.ф.-м.н.

Майсурадзе Арчил Ивериевич, к.ф.-м.н. и Миронов Андрей Михайлович, к.ф.-м.н

Спецкурс Задачи и алгоритмы вычислительной геометрии, Местецкий Леонид Моисеевич, д.т.н., профессор

Спецкурс Вероятностное тематическое моделирование, Воронцов Константин Вячеславович, д.ф.-м.н., профессор РАН

20:00 – 21:35

Расписание спецкурсов и спецсеминаров в осеннем семестре

Пара Понедельник Вторник Среда Четверг Пятница
8:45 – 10:20
10:30 – 12:05
12:15 – 13:50
14:35 – 16:10
16:20 – 17:55
18:05 – 19:40
20:00 – 21:35

Спецкурсы

  • Анализ графов, сетей, функций сходства (Graphs, Network, Distance Function Analysis), А.И. Майсурадзе, для магистрантов.
    Рассматриваются задачи и методы анализа систем, описание которых базируется на попарном или множественном взаимодействии объектов. Эти объекты могут быть однотипными или разнотипными. Когда важно само наличие или отсутствие взаимодействия, формализация проводится на языке теории графов. Расширении графового описания количественными характеристиками приводит к сетям. Если же считается, что каждый набор объектов может быть численно охарактеризован, говорят о расстояниях или сходствах. Представлена теоретическая основа для формализации задач и построения, реализации и анализа широкого спектра моделей и методов ИАД. Исследуются эвристические модели данных, описывающие исходную информацию об объектах распознавания на основе различных реализаций понятия сходства. Рассматриваются задачи, требующие решения при реализации указанных моделей. Изучаются специальные структуры данных и алгоритмы, позволяющие эффективно настраивать и использовать изучаемые модели. Идея сходства свойственна человеческому мышлению, это породило целый комплекс подходов для всех фундаментальных задач ИАД — так называемые метрические методы. Рассмотрены методы построения и вычисления функций сходства, согласование сходства на различных множествах объектов, синтез новых способов сравнения объектов на базе уже имеющихся. Рассмотрен комплекс приёмов, предназначенный для эффективного представления и обработки метрической информации вычислительными системами. Рассматриваются характеристики графов, активно используемые при их анализе. Изучаются алгоритмы на графах — как теоретически, так и с точки зрения эффективной реализации. Различные модели роста графов. Построение репрезентативных выборок на графах. Генерация графов с заданными характеристиками. Существенное внимание в курсе уделено многочисленным формализациям кластерного анализа. Показано, какие задачи решают распространённые методы. Проведена типологизация широкого спектра задач кластеризации для гомогенных и гетерогенных систем (бикластеризация, кокластеризация).
  • Аналитические модели данных и их визуализация (Analytical Data Models and Visualization), А.И. Майсурадзе, для бакалавров.
    Умеете ли вы рассказывать о данных и «рисовать» данные? Конечно, много программ готово по любым числам построить разнообразные диаграммы. Но вопрос в том, какие именно диаграммы нам нужны в каждой конкретной ситуации. Умеете ли вы «говорить на языке диаграмм»? Научим! В данном курсе излагаются теоретические и практические знания, которые понадобятся всем будущим аналитикам, ведь всем им предстоит собирать и хранить данные, «разглядывать» их самим и показывать другим. Модели данных – это стандартные в области аналитической деятельности «языки», на которых аналитики рассказывают друг другу о данных. Курс учит пользоваться этими общераспространенными «языками», что обеспечивает взаимопонимание при аналитической деятельности. Визуализация – это тоже форма рассказа о данных, соответственно, она тоже происходит в рамках таких «языков». Важнейшую роль такие «языки» получили в консалтинговых и аналитических подразделениях «большой четверки» – крупнейших в мире консалтинговых компаниях. Будут рассмотрены основные модели данных – разные способы мыслить и формализовать представление информации в аналитике. В связи с этим будет рассмотрена «аналитическая» часть SQL. В свою очередь, о визуализации будет рассказано одновременно с позиций аналитических целей и моделей данных. Будут рассмотрены «гиганты визуализации» – системы QlikView и Tableau,– развивающие идеологию OLAP. Будут рассмотрены практики «рассказывания историй по данным» (storytelling with data) и «интерактивных панелей». В курсе основное внимание уделяется «языку» аналитического общения, соответственно, большая его часть доступна бакалаврам первого-второго курсов. Предполагается, что студенты подготовят панель и сделают доклад о данных по актуальной для них жизненной проблеме.
  • Вероятностное тематическое моделирование (Probabilistic topic modelling), лектор профессор РАН, д.ф.-м.н. К.В. Воронцов, для магистров.
    Тематическое моделирование – это современная область исследований на стыке машинного обучения и компьютерной лингвистики. Тематическая модель определяет, какие темы содержатся в большой текстовой коллекции, и к каким темам относится каждый документ. Тематические модели позволяют искать тексты по смыслу, а не по ключевым словам, и создавать информационно-поисковые сервисы нового типа для систематизации знаний. В спецкурсе рассматриваются тематические модели для классификации, категоризации, сегментации, суммаризации текстов естественного языка, а также для рекомендательных систем, анализа банковских транзакционных данных и биомедицинских сигналов. Из математики нам понадобится теория вероятностей, методы оптимизации, матричные разложения. Для любителей программирования имеется возможность поучаствовать в проекте с открытым кодом BigARTM.org. Для особо увлечённых – дополнительные семинары по вечерам в офисе Яндекса. Заданиями по курсу будет решение задач из реальной жизни, у которых нет правильного ответа в конце учебника. Спецкурс для магистрантов, но студентам второго курса тоже всё будет понятно :) 18+ (для студентов, познавших теорвер).
  • Задачи и алгоритмы вычислительной геометрии (Computational Geometry: Problems and Algorithms), Л.М. Местецкий, для бакалавров.
    Эффективные алгоритмы работы с геометрической информацией являются непременным атрибутом всех современных систем машинного зрения, анализа и распознавания изображений, компьютерной графики и геоинформатики. Геометрические алгоритмы предоставляют хорошее поле для развития алгоритмического мышления, необходимого в прикладной математике. В первой части спецкурса будут рассмотрены классические темы вычислительной геометрии: геометрический поиск, выпуклые оболочки, пересечение и близость объектов, диаграммы Вороного, триангуляции Делоне. Вторая часть курса посвящена скелетам, обобщениям диаграмм Вороного для многоугольников и задачам медиального анализа формы изображений. Приглашаются бакалавры.
  • Логический анализ данных в распознавании, (Logical data analysis in recognition) лектор Е.В. Дюкова
    В спецкурсе будут изложены общие принципы, лежащие в основе дискретных методов анализа информации в задачах распознавания, классификации и прогнозирования. Будут рассмотрены подходы к конструированию процедур классификации по прецедентам на основе использования аппарата логических функций и методов построения покрытий булевых и целочисленных матриц. Будут изучены основные модели логических процедур классификации и рассмотрены вопросы, связанные с исследованием сложности их реализации и качества решения прикладных задач. Спецкурс рассчитан на бакалавров 2-4 курсов. По спецкурсу издано учебное пособие. Преподавание спецкурса в режиме ОНЛАЙН. Презентации лекций выставлены на сайте кафедры ММП. Записаться на спецкурс и задать вопрос можно, послав письмо на адрес: edjukova@mail.ru.
  • Методы и технологии машинного обучения (Methods and Technologies of Machine Learning), А. И. Майсурадзе, для магистров.
    Успех и сама возможность проведения многих современных индустриальных и научных проектов в самых разных предметных областях всё чаще зависит от корректного анализа накопленной информации. Поэтому в наши дни практически каждый специалист должен иметь представление о возможностях и ограничениях, которые возникают при использовании существующего арсенала методов и средств интеллектуального анализа данных (Data Mining). Цель предлагаемого курса как раз и состоит в том, чтобы создать у слушателя представление об аналитической деятельности и соответствующей математической теории. Рассматриваются основные классы задач машинного обучения и методов их решения. В курсе будут рассмотрены примеры успешно решённых задач из таких областей, как медицинские исследования, антропология, наукометрия, социология, прогноз свойств химических соединений, компьютерное зрение. Для каждого из проектов будет рассказано о задачах и методах их решения, а также об использованных технологиях.
  • Методы машинного обучения и поиск закономерностей в данных (Machine learning and search of regularities in data), лектор О.В. Сенько.
    В курсе обсуждаются основные проблемы, возникающие при использовании методов обучения по прецедентам (машинного обучения). Даётся краткий обзор существующих методов распознавания и регрессионного анализа. Рассказывается о способах оценки точности на генеральной совокупности (обобщающей способности). Обсуждаются различные способы повышения обобщающей способности методов машинного обучения.
  • Метрические методы интеллектуального анализа данных, А.И. Майсурадзе.
    Рассматриваются методы и технологии, применяющиеся в интеллектуальном анализе данных (ИАД, data mining) и базирующиеся на понятиях сходства, близости, аналогии. Идея сходства свойственна человеческому мышлению, это породило целый комплекс подходов для всех фундаментальных задач ИАД, среди которых основное внимание в курсе уделено классификации, восстановлению регрессии, кластеризации, восстановлению пропущенных данных.
  • Нейросетевые методы обработки изображений, В.В. Китов, для бакалавров.
    Спецкурс посвящен задаче автоматической стилизации изображений, в которой входное изображение необходимо преобразовать так, чтобы сохранить изображенные на нем предметы, но стилистику их отображения взять из другого изображения или группы изображений. Например, это может быть стилизация семейной фотографии под стиль известного художника, либо стилизация дневного фото в ночное, либо изменение зимней панорамы в летнюю. Эта задача может применяться в мультипликации, наложении спецэффектов в фильмах и видеоиграх, симуляторах и средствах дополненной реальности, а также для более точной настройки методов машинного обучения работе с изображениями за счет вариации их стиля и адаптации стиля под целевую предметную область. Помимо отдельных изображений указанный подход применим для видеопоследовательностей и данных из других предметных областей (текст, речь и т.д.). Основные методы стилизации были предложены в последние 5 лет и опираются на глубинные нейронные сети, базовому изучению которых посвящена существенная часть курса.
  • Неклассические математические модели обработки данных, А.И. Майсурадзе.
    В большинстве случаев анализ данных проводится с целью последующего принятия некоторого решения. Решение должно быть принято в результате некоторых рассуждений с использованием доступной информации о предметной области вообще и конкретной ситуации в частности. Цель курса состоит в том, чтобы продемонстрировать различные способы представления информации и формализации знаний, соответственно, различные способы проведения рассуждений и различные виды представления результатов, к которым указанные рассуждения приводят. Результаты анализа данных требуется транслировать в рамки того же самого формализма, который используется при рассуждениях. И наоборот, каждая модель предполагает свои способы перехода от формализма к окончательному решению. В курсе для каждой модели рассматриваются способы включения данных и рассуждений в общую стратегию принятия решений. В частности, будет продемонстрировано, как можно сравнивать конкурентов, и как каждый из конкурентов способен показать, что его предложение – лучшее.
  • Непрерывные морфологические модели и алгоритмы (Continuous morphological models and algorithms), Л.М. Местецкий, для бакалавров.
    В компьютере изображения представляются прямоугольными матрицами точек, обладающих определенным цветом и яркостью. Такое дискретное представление является удобным для ввода, запоминания, обработки в компьютере. Однако для анализа и распознавания формы объектов на изображении человеку привычнее и проще оперировать непрерывными геометрическими фигурами. Основные преимущества непрерывного представления формы объектов: адекватность его с физической сущностью «сплошных» объектов реального мира, возможность использования методов «непрерывной» математики для анализа, преобразования, распознавания формы объектов. В курсе рассматриваются основы непрерывного подхода к анализу формы объектов в дискретных изображениях. Сюда входит аппроксимация бинарных растровых изображений многоугольными фигурами, медиальное представление фигур, вычисление скелетов, сравнение и преобразование формы на основе медиального представления. Будут рассмотрены приложения непрерывных моделей формы в распознавании изображений.
  • Основные модели данных в аналитической деятельности (Аналитический SQL) (Essential Data Models in Data Analysis)(Analytical SQL), А.И. Майсурадзе, для бакалавров.
    В наши дни автоматизация и оптимизация многих видов деятельности невозможна без сбора и последующего анализа больших объёмов информации. При этом со временем стало ясно, что некоторые способы хранить и читать данные - модели данных - особенно удобны для людей. Именно такие модели стали универсальным языком общения людей с самыми разными технологиями. В этом смысле широчайшее распространение получила реляционная модель, а одним из самых широкоупотребительных языков оказался SQL, и сегодня самые разные технологии (совсем не только реляционные) позволяют его использовать. В ходе занятий мы будем осваивать именно само мышление, принятое в отрасли обработки и анализа данных. Речь не о конкретных технологиях или продуктах. В курсе на практических примерах будут даваться знания и отрабатываться навыки, которые понадобятся практически любому аналитику при работе с источниками данных. Акцент делается именно на аналитической деятельности: аналитик пользуется системами сбора и хранения данных, но не собирается администрировать их. Занятия предполагают интерактивное выполнение заданий на реальных БД.

Спецсеминары

Архив курсов и семинаров

  • Анализ информации, В.К. Леонтьев.
  • Аналитические модели данных и их визуализация, А.И. Майсурадзе.
  • Введение в машинное обучение, А.Г. Дьяконов, для бакалавров.
    Спецкурс предназначен бакалаврам младших курсов (1-2) для ознакомления с машинным обучением (Machine Learning) "с нуля". В начале существенное время уделяется языку программирования Python, специализированным библиотекам (numpy, pandas, scikit-learn) и средам программирования (Jupyter notebook). Курс рекомендуется студентам, которые хотят продолжить обучение на кафедре математических методов прогнозирования. Для бакалавров старших курсов 3го потока лектор читает более продвинутую версию этого курса в виде обязательного потокового.
  • Восстановление зависимостей в больших массивах данных, О.В. Красоткина.
    Целью данного курса является систематическое изучение распределённых файловых систем (таких, как например, Hadoop) как инструмента для создания параллельных реализаций алгоритмов машинного обучения на больших массивах данных. В ходе курса студенты получат навык использования возможностей модели распределённых вычислений MapReduce для параллельных вычислений над очень большими наборами данных в компьютерных кластерах. В ходе курса рассматриваются параллельные реализации таких основных алгоритмов машинного обучения как регрессия, классификация, кластеризация, коллаборативная фильтрация, классификация в метрических пространствах и т.д. Так же в рамках курса студентам будет предложено разработать собственные параллельные реализации алгоритмов восстановления зависимостей. Курс ориентирован на студентов, знакомых с основными концепциями и алгоритмами машинного обучения.
  • Задачи распознавания в биоинформатике, К.В. Рудаков, И.Ю. Торшин.
    Данный курс рассчитан на будущих специалистов в области математики и информатики. На примере биоинформатики иллюстрируется, как математик мог бы вникать в специфику предметной области, чтобы суметь успешно приспособить известные ему методы для решения прикладных и исследовательских задач.
  • Извлечение информации из изображений, И.Б. Гуревич.
    В спецкурсе представлены постановки и методы решения математических и вычислительных задач, возникающих в связи с анализом и оцениванием информации, представляемой в виде изображений.
  • Исчисления высказываний классической и интуиционистской логик, С.И. Гуров.
    В спецкурсе рассматриваются основные понятия пропозициональной логики. Даются методы характеризации формул алгебры логики, в частности, метод резолюций и метод семантических таблиц. Изучаются логические исчисления гильбертовского и генценовского типов и общие свойства формальных теорий. Рассматриваются свойства метатеории логических исчислений: корректность и непротиворечивость, семантическая полнота, полнота по Посту, разрешимость и независимость. Спецкурс поддерживается практическими занятиями.
  • Компьютерные методы обработки сигналов, О.В. Красоткина.
    Целью данного курса является систематическое изучение задач, теоретических методов и алгоритмов компьютерного анализа экспериментальных данных, упорядоченных вдоль некоторой оси. Курс лекций включает изучение базовых вопросов дискретизации сигналов по времени, получения их цифрового представления, цифровой фильтрации, спектрально-корреляционного анализа. Большое внимание уделяется вопросам построения и оценивания моделей нестационарных сигналов на основе марковской теории случайных процессов. Задачей курса является предоставить студентам уникальные инструменты, позволяющие решать конкретные прикладные задачи из различных областей знаний: миробиоологии, экономики, финансов, техники и технологии.
  • Логико-статистические модели в распознавании, прогнозировании и интеллектуальном анализе данных, О.В. Сенько.
    Рассматриваются методы интеллектуального анализа данных, основанные на выделении в многомерном пространстве прогностических переменных областей, в которых значения прогнозируемой переменной достоверно отличаются от средних значений по всей выборке. Верификация выявленных закономерностей проводится с помощью рандомизированных перестановочных тестов. Приводятся примеры использования рассматриваемых методов при решении разнообразных прикладных задач.
  • Математические методы анализа текстов, В.В. Китов.
    В курсе даются математические подходы к автоматическому анализу и извлечению информации из текстов. Изучается обработка и парсинг текста: 1) на уровне слов (определение морфологических характеристик, частей речи), 2) на уровне предложений (определение субъекта, объекта, действия, дополнений), 3) на уровне фрагмента текста (определение именованных сущностей) и 4) на уровне коллекции документов (извлечение основных тем, представленных в коллекции). Далее изученные методы обработки текстов используются для классификации текстов по категориям, эффективной визуализации содержимого больших текстовых коллекций, извлечения фактов из текстов для наполнения баз данных фактов, представленных онтологиями. Спецкурс предполагает знание теории вероятностей, линейной алгебры, математического анализа и основ машинного обучения. В качестве основных инструментов работы с текстами будет использоваться язык программирования питон с научными библиотеками, модуль по обработке текстов NLTK, а также публично доступная онтология WordNet.
  • Методы и технологии машинного обучения, О.В. Сенько, А.И. Майсурадзе.
  • Методы оптимизации в машинном обучении, Д.А. Кропотов, А.О. Родоманов.
    В спецкурсе рассматриваются классические и современные методы непрерывной оптимизации, а также особенности их применения для задач оптимизации, возникающих в машинном обучении. Основной упор в изложении делается на практические аспекты реализации и использования методов. Спецкурс поддерживается практическими заданиями.
  • Модели распознавания, Козлов Вадим Никитович.
    В курсе представлены как классические подходы к распознаванию образов (дискриминантный подход в детерминированной и вероятностной ипостасях, структурно-лингвистический, тестовый и алгебраический подходы), так и разработки последнего времени, включая те, которые делались в МГУ. Курс является существенно расширенным и усложненным вариантом курса Распознающие системы, прочитанного автором в интернете на сайтах образовательной организации Универсариум. Приглашаются студенты 2-4 курсов, все желающие.
  • Нестатистический анализ данных (Non-statistical methods of data mining and classification), В.В.Рязанов, для бакалавров.
    Основная цель спецкурса состоит в изложении основанных на оптимизационных, дискретных и эвристических подходах методов анализа данных. Будут рассмотрены логические модели распознавания (классификации с учителем) и анализа разнотипных многомерных данных, методы оптимизации моделей распознавания, алгоритмы поиска скрытых логических закономерностей и связей по признаковым описаниям, методы создания качественных моделей объектов, ситуаций, явлений или процессов. Будут рассмотрены практические численные методы решения данных задач, и их применения в медицине, бизнесе, химии, технике и других областях. The aim is to present a special course based on optimization, discrete and heuristic approaches of data mining. The logical models of supervised classification, techniques to optimize models of classification, algorithms for finding hidden logical regularities will be considered. Приглашаются бакалавры.
  • Теория надёжности обучения по прецедентам, К.В. Воронцов.
    Спецкурс знакомит студентов с современным состоянием теории вычислительного обучения, исследующей проблему качества восстановления зависимостей по эмпирическим данным. Подробно рассматривается комбинаторная теория, позволяющая получать точные оценки вероятности переобучения.
  • Шаманство в анализе данных (для студентов 2 курса ВМК МГУ), А.Г. Дьяконов.
    Первая лекция: "Что такое машинное обучение и анализ данных?" Понедельник 02.03.2015 16:20 ауд.504 Курс читается для второкурсников, которые выбирают кафедру и научного руководителя, знакомит с некоторыми направлениями исследований, которые выполняются на кафедре математических методов прогнозирования. В первой лекции даётся обзор основных задач машинного обучения, рассматриваются приложения, описываются потребности современных компаний в решении подобных задач.




Ссылки

http://vmk.somee.com — страница со спецкурсами и спецсеминарами факультета ВМК.