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

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
Строка 89: Строка 89:
|
|
|<!-- ЗДЕСЬ ПЕРЕЧИСЛЯЮТСЯ СПЕЦКУРСЫ ТЕКУЩЕГО СЕМЕСТРА -->
|<!-- ЗДЕСЬ ПЕРЕЧИСЛЯЮТСЯ СПЕЦКУРСЫ ТЕКУЩЕГО СЕМЕСТРА -->
 +
{{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.
 +
}}
<!-- КОНЕЦ ПЕРЕЧИСЛЕНИЯ СПЕЦКУРСОВ ТЕКУЩЕГО СЕМЕСТРА -->
<!-- КОНЕЦ ПЕРЕЧИСЛЕНИЯ СПЕЦКУРСОВ ТЕКУЩЕГО СЕМЕСТРА -->
}}<noinclude><!-- ЗДЕСЬ ПЕРЕЧИСЛЯЮТСЯ ВСЕ ОСТАЛЬНЫЕ СПЕЦКУРСЫ-->
}}<noinclude><!-- ЗДЕСЬ ПЕРЕЧИСЛЯЮТСЯ ВСЕ ОСТАЛЬНЫЕ СПЕЦКУРСЫ-->

Версия 18:58, 23 февраля 2015

 
   
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: Д.А. Кропотов
Все контакты

Содержание

Расписание спецкурсов и спецсеминаров в весеннем семестре 2014/2015 уч.г.

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 С/К «Логический анализ данных в распознавании», Е.В.Дюкова, 645

С/К Методы машинного обучении и поиск достоверных закономерностей в данных, Сенько О.В., 507

С/К Анализ информации, Леонтьев В.К., 505

С/К Задачи и алгоритмы вычислительной геометрии, Л.М. Местецкий, 696

С/К Компьютерные методы обработки сигналов, О.В. Красоткина, 607

С/К Метрические методы интеллектуального анализа данных, А.И. Майсурадзе 507.

18:05 – 19:40 С/С ААЭПЗ, А.Г. Дьяконов, 605 С/К 18:00 Нестатистический анализ данных, В.В.Рязанов, 510

С/С Новые методы в распознавании и анализе данных, С.И. Гуров, А.И. Майсурадзе, 704

С/С БММО, Д.П. Ветров,
до конца февраля 645, затем 612

С/К «Вероятностное тематическое моделирование» К.В. Воронцов, 682

20:00 – 21:35

Расписание основных занятий

Спецкурсы

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.

  • 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.
  • Методы оптимизации в машинном обучении, Д.А. Кропотов.
    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.
  • 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.
  • Логический анализ данных в распознавании, Е.В. Дюкова.
    Излагаются общие принципы конструирования логических процедур распознавания. Изучаются вопросы эффективного применения комбинаторно-логических методов для синтеза распознающих процедур. Рассматриваются подходы к оценке вычислительной сложности алгоритмов и качества решения прикладных задач.
  • Нестатистические методы анализа данных и классификации, В.В. Рязанов.
    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.
  • Методы интеллектуального анализа данных, основанные на поиске оптимальных систем статистически достоверных закономерностей, О.В. Сенько.
  • Вероятностные тематические модели, К.В. Воронцов.
    В спецкурсе изучаются методы построения вероятностных тематических моделей (topic modeling) коллекций текстовых документов. Развивается многокритериальный подход к решению некорректно поставленной задачи стохастического матричного разложения — аддитивная регуляризации тематических моделей. Особое внимание будет уделено комбинированию статистических и лингвистических методов анализа текстов. Рассматриваются прикладные задачи классификации и категоризации текстов, информационного поиска, персонализации и рекомендательных систем, а также задачи анализа и классификации дискретизированных биомедицинских сигналов. Предполагается проведение студентами численных экспериментов на модельных и реальных данных.
  • Непрерывные морфологические модели и алгоритмы, Л.М. Местецкий.
    Рассматривается задача анализа формы плоских фигур и связанные с ней приложения в области распознавания изображений, компьютерной графики и геоинформатики. Исследуются вопросы аппроксимации бинарных растровых изображений многоугольными фигурами, представления фигур циркулярными графами, вычисления скелетов, сравнения и преобразования формы на основе циркулярных графов.
  • 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.
  • 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.
  • 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.
  • 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.
  • 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.

Спецсеминары

Ссылки

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

Личные инструменты