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

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Расписание спецкурсов и спецсеминаров в осеннем семестре 2015/2016 уч.г.)
(изменение времени спецкурса Майсурадзе)
Строка 60: Строка 60:
|-
|-
!16:20 – 17:55
!16:20 – 17:55
-
| <small>С/К [[Логический анализ данных в распознавании (курс лекций, Е.В. Дюкова)|ЛАДР]], [[Участник:Djukova|Дюкова Е.В.]], 607<br>
+
| <small>С/К [[Логический анализ данных в распознавании (курс лекций, Е.В. Дюкова)|ЛАДР]], [[Участник:Djukova|Дюкова Е.В.]], 607</small>
-
С/К НММОД, Майсурадзе А.И., 503</small>
+
|
|
|
|
Строка 68: Строка 67:
|-
|-
!18:05 – 19:40
!18:05 – 19:40
-
| <small>С/К [[momo|МОМО]], [[Участник:Kropotov|Кропотов Д.А.]], 607</small>
+
| <small>С/К [[momo|МОМО]], [[Участник:Kropotov|Кропотов Д.А.]], 607</small><br>
 +
<small>С/К НММОД, Майсурадзе А.И., 504</small>
| <small>С/К [[Нестатистические методы анализа данных и классификации (курс лекций, В.В.Рязанов)|НМАДК]], [[Участник:Rvv|Рязанов В.В.]], 607</small>
| <small>С/К [[Нестатистические методы анализа данных и классификации (курс лекций, В.В.Рязанов)|НМАДК]], [[Участник:Rvv|Рязанов В.В.]], 607</small>
<small>С/К [[Непрерывные морфологические модели и алгоритмы (курс лекций, Л.М. Местецкий)|НММА]], [[Участник:Mest|Местецкий Л.М.]], 508<br>
<small>С/К [[Непрерывные морфологические модели и алгоритмы (курс лекций, Л.М. Местецкий)|НММА]], [[Участник:Mest|Местецкий Л.М.]], 508<br>
Строка 87: Строка 87:
|<!-- ЗДЕСЬ ПЕРЕЧИСЛЯЮТСЯ СПЕЦКУРСЫ ТЕКУЩЕГО СЕМЕСТРА -->
|<!-- ЗДЕСЬ ПЕРЕЧИСЛЯЮТСЯ СПЕЦКУРСЫ ТЕКУЩЕГО СЕМЕСТРА -->
{{Курс|Режим = {{{1}}}|Название =
{{Курс|Режим = {{{1}}}|Название =
-
'''Неклассические математические модели обработки данных''', А.И. Майсурадзе, проходит по понедельникам в ауд. 503, начало в 16-20. Первое занятие 14 сентября.
+
'''Неклассические математические модели обработки данных''', А.И. Майсурадзе, проходит по понедельникам в ауд. 504, начало в 18-00. Первое занятие 14 сентября.
|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.
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.

Версия 13:32, 9 ноября 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 осеннем семестре 2015/2016 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 ЛАДР, Дюкова Е.В., 607 С/К ВЗБМД, Красоткина О.В., 682
18:05 – 19:40 С/К МОМО, Кропотов Д.А., 607

С/К НММОД, Майсурадзе А.И., 504

С/К НМАДК, Рязанов В.В., 607

С/К НММА, Местецкий Л.М., 508

С/С ААЭПЗ, А.Г. Дьяконов, 607 С/К ММОПЗД, Сенько О.В., 607 С/С БММО, Ветров Д.П., П-13
20:00 – 21:35

Расписание основных занятий

Спецкурсы

  • Неклассические математические модели обработки данных, А.И. Майсурадзе, проходит по понедельникам в ауд. 504, начало в 18-00. Первое занятие 14 сентября.
    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.
  • Методы машинного обучения и поиск закономерностей в данных, О.В. Сенько, проходит по четвергам в ауд. 607, начало в 18-00. Первое занятие 17 сентября.
    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.
  • Восстановление зависимостей в больших массивах данных, О.В. Красоткина, проходит по четвергам в ауд. 682, начало в 16-20. Первое занятие 17 сентября.
    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.
  • Методы оптимизации в машинном обучении, Д.А. Кропотов, проходит по понедельникам в ауд. 607, начало в 18-10. Первое занятие 14 сентября.
    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.
  • Нестатистические методы анализа данных и классификации, В.В. Рязанов, проходит по вторникам в ауд. 607, начало в 18-00. Первая лекция состоится 15 сентября.
    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.
  • Логический анализ данных в распознавании, Е.В. Дюкова, проходит по понедельникам в ауд. 607, начало в 16-20. Первое занятие 14 сентября.
    В спецкурсе излагаются общие принципы, лежащие в основе дискретных методов анализа информации в задачах распознавания, классификации и прогнозирования. Рассматриваются подходы к конструированию процедур распознавания на основе использования аппарата логических функций и методов построения покрытий булевых и целочисленных матриц. Изучаются основные модели и рассмотрены вопросы, связанные с исследованием сложности их реализации и качества решения прикладных задач.
  • Непрерывные морфологические модели и алгоритмы, Л.М. Местецкий, проходит по вторникам в ауд. 508, начало в 18-00. Первое занятие 4 сентября.
    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.
  • 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.
  • Задачи и алгоритмы вычислительной геометрии, Л.М. Местецкий.
    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.
  • Анализ информации, В.К. Леонтьев.
  • 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.
  • 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.
  • 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.
  • 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.
  • 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.
  • 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.

Спецсеминары

Ссылки

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

Личные инструменты