Математические методы прогнозирования (кафедра ВМиК МГУ)

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(+ Сенько и Кропотов в список преподавателей, а также ссылка на страницу с персональным составом)
(Добавлены ссылки на страницы всех спецкурсов)
Строка 42: Строка 42:
== Спецкурсы ==
== Спецкурсы ==
-
* '''[[Бммо|Байесовские методы машинного обучения]]''', [[Участник:Dmitry Vetrov|Д.П.Ветров]], читается в осеннем семестре.
+
* '''[[Бммо|Байесовские методы машинного обучения]]''', [[Участник:Dmitry Vetrov|Д.П. Ветров]], [[Участник:Kropotov|Д.А. Кропотов]], читается в осеннем семестре.
*: В спецкурсе рассматривается применение байесовских методов к нескольким классическим задачам машинного обучения, позволяющих, в частности, автоматически решать задачи выбора модели и получать решающие правила, обладающие желаемыми свойствами. Спецкурс поддерживается практическими заданиями.
*: В спецкурсе рассматривается применение байесовских методов к нескольким классическим задачам машинного обучения, позволяющих, в частности, автоматически решать задачи выбора модели и получать решающие правила, обладающие желаемыми свойствами. Спецкурс поддерживается практическими заданиями.
-
* '''[[СМАИС|Структурные методы анализа изображений и сигналов]]''', [[Участник:Dmitry Vetrov|Д.П.Ветров]], читается в весеннем семестре.
+
* '''[[СМАИС|Структурные методы анализа изображений и сигналов]]''', [[Участник:Dmitry Vetrov|Д.П. Ветров]], [[Участник:Kropotov|Д.А. Кропотов]], читается в весеннем семестре.
*: В спецкурсе излагаются основы теории графических моделей и их применения для решения неклассических задач обучения и вывода при наличии структурной информации. Спецкурс опирается на применение байесовского аппарата теории вероятностей. В единых терминах излагается ряд методов анализа изображений и сигналов, а также общие подходы к построению эффективных приближенных методов байесовского вывода. Спецкурс поддерживается практическими заданиями.
*: В спецкурсе излагаются основы теории графических моделей и их применения для решения неклассических задач обучения и вывода при наличии структурной информации. Спецкурс опирается на применение байесовского аппарата теории вероятностей. В единых терминах излагается ряд методов анализа изображений и сигналов, а также общие подходы к построению эффективных приближенных методов байесовского вывода. Спецкурс поддерживается практическими заданиями.
-
* '''[[Теория надёжности обучения по прецедентам (курс лекций, К. В. Воронцов)|Теория надёжности обучения по прецедентам]]''', [[Участник:Vokov|К.В.Воронцов]].
+
* '''[[Теория надёжности обучения по прецедентам (курс лекций, К. В. Воронцов)|Теория надёжности обучения по прецедентам]]''', [[Участник:Vokov|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.
*: 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.
-
* '''Исчисления высказываний классической логики''', С.И.Гуров.
+
* '''[[Исчисления высказываний классической логики (курс лекций, С.И. Гуров)|Исчисления высказываний классической логики]]''', [[Участник:Sgur|С.И. Гуров]].
-
*: Во второй части спецкурса рассматриваются некоторые гильбертовы исчисления H. Основное внимание уделяется генценовским непропозициональным исчислениям высказываний: натурального вывода N и секвенций S. Спецкурс поддерживается практическими занятиями.
+
*: 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.
-
* '''[[Булевы уравнения и проблема SAT]]''', С.И.Гуров, [[Участник:Dj|А.Г. Дьяконов]].
+
* '''[[Булевы уравнения и проблема SAT]]''', [[Участник:Sgur|С.И. Гуров]], [[Участник:Dj|А.Г. Дьяконов]].
-
* '''Извлечение информации из изображений''', И.Б.Гуревич.
+
* '''[[Извлечение информации из изображений (курс лекций, И.Б. Гуревич)|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.
-
* '''Основы обобщенного спектрально-аналитического метода и его приложения''', Ф.Ф.Дедус, раз в две недели по 4 академических часа.
+
* '''[[Основы обобщенного спектрально-аналитического метода и его приложения (курс лекций, Ф.Ф. Дедус)|Основы обобщенного спектрально-аналитического метода и его приложения]]''', Ф.Ф. Дедус.
*: Обобщенный спектрально-аналитический метод (ОСАМ) является комбинированным численно-аналитическим методом, в котором сочетаются сильные стороны числовых расчетов и аналитических преобразований. Основными математическими объектами метода являются семейства аналитических ортогональных функций, зависящие от параметров и позволяющие проводить адаптивную аналитическую аппроксимацию произвольных функций. В курсе подробно изучаются системы классических ортогональных многочленов непрерывного аргумента (Чебышева, Лежандра, Якоби, Лагерра, Эрмита) и ортогональные многочлены дискретного аргумента (Чебышева, Хана, Майкснера, Кравчука и Шарлье).
*: Обобщенный спектрально-аналитический метод (ОСАМ) является комбинированным численно-аналитическим методом, в котором сочетаются сильные стороны числовых расчетов и аналитических преобразований. Основными математическими объектами метода являются семейства аналитических ортогональных функций, зависящие от параметров и позволяющие проводить адаптивную аналитическую аппроксимацию произвольных функций. В курсе подробно изучаются системы классических ортогональных многочленов непрерывного аргумента (Чебышева, Лежандра, Якоби, Лагерра, Эрмита) и ортогональные многочлены дискретного аргумента (Чебышева, Хана, Майкснера, Кравчука и Шарлье).
-
* '''Логический анализ данных в распознавании''', [[Участник:Djukova|Е.В.Дюкова]].
+
* '''[[Логический анализ данных в распознавании (курс лекций, Е.В. Дюкова)|Логический анализ данных в распознавании]]''', [[Участник:Djukova|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.
*: 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.
-
* '''Метрические методы интеллектуального анализа данных''', А.И.Майсурадзе.
+
* '''[[Метрические методы интеллектуального анализа данных (курс лекций, А.И. Майсурадзе)|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.
-
* '''Вычислительные задачи математической биологии''', А.Н.Панкратов, раз в две недели по 4 академических часа.
+
* '''[[Вычислительные задачи математической биологии (курс лекций, С.А. Махортых, А.Н. Панкратов)|Вычислительные задачи математической биологии]]''', А.Н. Панкратов.
*: В спецкурсе рассматриваются дополнительные вопросы обобщенного спектрально-аналитического метода (ОСАМ) и его приложения к задачам распознавания в биоинформатике, связанным с аналитическим описанием и анализом, как текстовых последовательностей, так и пространственных структур биологических макромолекул.
*: В спецкурсе рассматриваются дополнительные вопросы обобщенного спектрально-аналитического метода (ОСАМ) и его приложения к задачам распознавания в биоинформатике, связанным с аналитическим описанием и анализом, как текстовых последовательностей, так и пространственных структур биологических макромолекул.
-
* '''[[Нестатистические методы анализа данных и классификации (курс лекций, В.В.Рязанов)|Нестатистические методы анализа данных и классификации]]''', [[Участник:Rvv|В.В.Рязанов]].
+
* '''[[Нестатистические методы анализа данных и классификации (курс лекций, В.В.Рязанов)|Нестатистические методы анализа данных и классификации]]''', [[Участник:Rvv|В.В. Рязанов]].
*: В спецкурсе будут рассмотрены проблемы и методы кластерного анализа (подходы и алгоритмы кластеризации с известным и неизвестным числом кластеров, критерии кластеризации, вопросы устойчивости, построение оптимальных коллективных решений), новые подходы в регрессионном анализе, поиск зависимостей по прецедентам, практические применения в медицине, бизнесе и технике.
*: В спецкурсе будут рассмотрены проблемы и методы кластерного анализа (подходы и алгоритмы кластеризации с известным и неизвестным числом кластеров, критерии кластеризации, вопросы устойчивости, построение оптимальных коллективных решений), новые подходы в регрессионном анализе, поиск зависимостей по прецедентам, практические применения в медицине, бизнесе и технике.
-
* '''[[Задачи распознавания в биоинформатике (ВМК МГУ, К. В. Рудаков, И. Ю.Торшин)|Задачи распознавания в биоинформатике]]''' Рудаков К.В., [[Участник:Tiy|Торшин И.Ю.]])
+
* '''[[Задачи распознавания в биоинформатике (ВМК МГУ, К. В. Рудаков, И. Ю.Торшин)|Задачи распознавания в биоинформатике]]''', [[Рудаков, Константин Владимирович|К.В. Рудаков]], [[Участник:Tiy|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.
*: 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.
 +
 +
* '''[[Непрерывные морфологические модели и алгоритмы (курс лекций, Л.М. Местецкий)|Непрерывные морфологические модели и алгоритмы]]''', [[Участник:Mest|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.
== Спецсеминары ==
== Спецсеминары ==

Версия 15:43, 31 августа 2011

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

Содержание

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

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

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

Координаты для связи:

Телефон: +7-495-939-4202
e-mail: Изображение:MMP_email.jpg
Ученый секретарь кафедры: Д.П. Ветров

Доска объявлений

{{#if: | |


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 для бакалавров 2-4 курсов. По спецкурсу издано учебное пособие. Презентации лекций выставлены на сайте кафедры ММП. Записаться на спецкурс и задать вопрос можно, послав письмо на адрес: edjukova@mail.ru или p_prok@mail.ru.

Все новости

Расписание

Актуальное расписание занятий на осенний семестр 2011/2012 уч.г.

Кафедральные курсы

Третий курс

Четвёртый курс

Пятый курс

  • Прикладной статистический анализ данных, К.В.Воронцов
    Обзорный курс, охватывающий дисперсионный, корреляционный, регрессионный анализ, анализ временных рядов и прогнозирование, анализ выживаемости, анализ панельных данных, выборочный анализ. Цели курса — связать математическую статистику с практическими приложениями в различных предметных областях, научить студентов правильно применять методы прикладной статистики.

Спецкурсы

  • Байесовские методы машинного обучения, Д.П. Ветров, Д.А. Кропотов, читается в осеннем семестре.
    В спецкурсе рассматривается применение байесовских методов к нескольким классическим задачам машинного обучения, позволяющих, в частности, автоматически решать задачи выбора модели и получать решающие правила, обладающие желаемыми свойствами. Спецкурс поддерживается практическими заданиями.
  • Структурные методы анализа изображений и сигналов, Д.П. Ветров, Д.А. Кропотов, читается в весеннем семестре.
    В спецкурсе излагаются основы теории графических моделей и их применения для решения неклассических задач обучения и вывода при наличии структурной информации. Спецкурс опирается на применение байесовского аппарата теории вероятностей. В единых терминах излагается ряд методов анализа изображений и сигналов, а также общие подходы к построению эффективных приближенных методов байесовского вывода. Спецкурс поддерживается практическими заданиями.
  • 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.
  • Исчисления высказываний классической логики, 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.
  • 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.
  • Основы обобщенного спектрально-аналитического метода и его приложения, Ф.Ф. Дедус.
    Обобщенный спектрально-аналитический метод (ОСАМ) является комбинированным численно-аналитическим методом, в котором сочетаются сильные стороны числовых расчетов и аналитических преобразований. Основными математическими объектами метода являются семейства аналитических ортогональных функций, зависящие от параметров и позволяющие проводить адаптивную аналитическую аппроксимацию произвольных функций. В курсе подробно изучаются системы классических ортогональных многочленов непрерывного аргумента (Чебышева, Лежандра, Якоби, Лагерра, Эрмита) и ортогональные многочлены дискретного аргумента (Чебышева, Хана, Майкснера, Кравчука и Шарлье).
  • 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.
  • 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.
  • Вычислительные задачи математической биологии, А.Н. Панкратов.
    В спецкурсе рассматриваются дополнительные вопросы обобщенного спектрально-аналитического метода (ОСАМ) и его приложения к задачам распознавания в биоинформатике, связанным с аналитическим описанием и анализом, как текстовых последовательностей, так и пространственных структур биологических макромолекул.
  • Нестатистические методы анализа данных и классификации, В.В. Рязанов.
    В спецкурсе будут рассмотрены проблемы и методы кластерного анализа (подходы и алгоритмы кластеризации с известным и неизвестным числом кластеров, критерии кластеризации, вопросы устойчивости, построение оптимальных коллективных решений), новые подходы в регрессионном анализе, поиск зависимостей по прецедентам, практические применения в медицине, бизнесе и технике.
  • 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.
  • 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.

Спецсеминары

Преподаватели

Материалы

Рекомендации

Файлы

  • mmp-fish-kurs — образцы оформления курсовых работ в MS Word и LaTeX. — Обновлено 14 апреля 2011 г.
  • Программа вступительного экзамена в аспирантуру по философии.
  • Программа вступительного экзамена в аспирантуру по математике (основная часть + дополнение для специальности 01.01.09).

Ссылки

Подстраницы

Математические методы прогнозирования (кафедра ВМиК МГУ)/Дипломные работыМатематические методы прогнозирования (кафедра ВМиК МГУ)/Доска объявленийМатематические методы прогнозирования (кафедра ВМиК МГУ)/Кафедральные курсы
Математические методы прогнозирования (кафедра ВМиК МГУ)/МатериалыМатематические методы прогнозирования (кафедра ВМиК МГУ)/Новый дизайнМатематические методы прогнозирования (кафедра ВМиК МГУ)/О кафедре
Математические методы прогнозирования (кафедра ВМиК МГУ)/Персональный составМатематические методы прогнозирования (кафедра ВМиК МГУ)/ПросеминарМатематические методы прогнозирования (кафедра ВМиК МГУ)/Расписание
Математические методы прогнозирования (кафедра ВМиК МГУ)/Спецкурсы-спецсеминарыМатематические методы прогнозирования (кафедра ВМиК МГУ)/Старый дизайнМатематические методы прогнозирования (кафедра ВМиК МГУ)/Учебный план
Личные инструменты