Математические методы прогнозирования (кафедра ВМиК МГУ)

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Подстраницы)
(email кафедры в виде картинки, убраны все старые данные по месту и времени проведения спецкурсов/спецсеминаров)
Строка 12: Строка 12:
|Телефон: +7-495-939-4202
|Телефон: +7-495-939-4202
|-
|-
-
|e-mail: mmp@cs.msu.ru
+
|e-mail: [[Изображение:MMP_email.jpg]]
|-
|-
|Ученый секретарь кафедры: [[Участник:Dmitry Vetrov|Д.П. Ветров]]
|Ученый секретарь кафедры: [[Участник:Dmitry Vetrov|Д.П. Ветров]]
Строка 42: Строка 42:
*: 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]], пятница, 16:20, ауд. 612.
+
* '''[[СМАИС|Структурные методы анализа изображений и сигналов]]''', [[Участник:Dmitry Vetrov|Д.П.Ветров]], 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]], пятница, 16:20, ауд. 606.
+
* '''[[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, пятница, 14:35, ауд. 504.
+
* '''Исчисления высказываний классической логики''', 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.
*: 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.
-
* '''[[Булевы уравнения и проблема SAT]]''', С.И.Гуров, [[Участник:Dj|А.Г. Дьяконов]], пятница, 14:35, ауд. 607.
+
* '''[[Булевы уравнения и проблема SAT]]''', С.И.Гуров, [[Участник:Dj|А.Г. Дьяконов]].
-
* '''Извлечение информации из изображений''', И.Б.Гуревич, четверг, 18:30, ауд. 607.
+
* '''Извлечение информации из изображений''', И.Б.Гуревич.
-
* '''Основы обобщенного спектрально-аналитического метода и его приложения''', Ф.Ф.Дедус, среда, раз в две недели по 4 академических часа, 16:20, ауд. 524.
+
* '''Основы обобщенного спектрально-аналитического метода и его приложения''', Ф.Ф.Дедус, раз в две недели по 4 академических часа.
*: 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]], понедельник, 16:20, ауд. 645.
+
* '''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, четверг, 16:20, ауд. 510.
+
* '''Метрические методы интеллектуального анализа данных''', А.И.Майсурадзе.
-
* '''Вычислительные задачи математической биологии''', А.Н.Панкратов, среда, раз в две недели по 4 академических часа, 16:20, ауд. 524.
+
* '''Вычислительные задачи математической биологии''', А.Н.Панкратов, раз в две недели по 4 академических часа.
*: 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]], вторник, 18:00, ауд. 505.
+
* '''[[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.]], среда, 16:50, ауд. 606. 2011 года)
+
* '''[[Задачи распознавания в биоинформатике (ВМК МГУ, К. В. Рудаков, И. Ю.Торшин)|Задачи распознавания в биоинформатике]]''' Рудаков К.В., [[Участник:Tiy|Торшин И.Ю.]])
*: 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.
== Спецсеминары ==
== Спецсеминары ==
-
* '''[[Теория надёжности обучения по прецедентам (курс лекций, К. В. Воронцов)|Проблемы обобщающей способности алгоритмов классификации, регрессии и прогнозирования]]''', доц., к.ф.-м.н. [[Участник:Vokov|К.В.Воронцов]]. Спецсеминар проходит по пятницам, 18:05, ауд. 574.
+
* '''[[Теория надёжности обучения по прецедентам (курс лекций, К. В. Воронцов)|Проблемы обобщающей способности алгоритмов классификации, регрессии и прогнозирования]]''', доц., к.ф.-м.н. [[Участник:Vokov|К.В.Воронцов]].
-
* '''[[Спецсеминар "Байесовские методы машинного обучения"|Байесовские методы машинного обучения]]''', н.с., к.ф.-м.н. [[Участник:Dmitry Vetrov|Д.П.Ветров]]. Спецсеминар проходит по пятницам в 18:20, ауд. 612.
+
* '''[[Спецсеминар "Байесовские методы машинного обучения"|Байесовские методы машинного обучения]]''', н.с., к.ф.-м.н. [[Участник:Dmitry Vetrov|Д.П.Ветров]].
* '''[[Анализ и оценивание информации представленной в виде изображений]]''', доц., к.ф.-м.н. И.Б.Гуревич.
* '''[[Анализ и оценивание информации представленной в виде изображений]]''', доц., к.ф.-м.н. И.Б.Гуревич.
-
* '''[[Спецсеминар "Новые методы в распознавании образов и прогнозировании"|Новые методы в распознавании образов и прогнозировании]]''', доц., к.ф.-м.н. С.И.Гуров. Спецсеминар проходит по чевергам в 12:50, ауд. 524.
+
* '''[[Спецсеминар "Новые методы в распознавании образов и прогнозировании"|Новые методы в распознавании образов и прогнозировании]]''', доц., к.ф.-м.н. С.И.Гуров.
* '''[[Спектральные методы в задачах математической биологии]]''', проф., д.т.н. Ф.Ф.Дедус.
* '''[[Спектральные методы в задачах математической биологии]]''', проф., д.т.н. Ф.Ф.Дедус.
Строка 92: Строка 92:
* '''[[Комбинаторные основы теории информации]]''', проф., д.ф.-м.н. В.К.Леонтьев.
* '''[[Комбинаторные основы теории информации]]''', проф., д.ф.-м.н. В.К.Леонтьев.
-
* '''[[Анализ данных в метрических пространствах]]''', доц., к.ф.-м.н. [[Участник:AIM|А.И.Майсурадзе]]. Спецсеминар проходит по понедельникам в 10:30, ауд. 503.
+
* '''[[Анализ данных в метрических пространствах]]''', доц., к.ф.-м.н. [[Участник:AIM|А.И.Майсурадзе]].
* '''[[Вычислительные задачи математической биологии и биофизики]]''', доц., к.ф.-м.н. С.А.Махортых, доц., к.ф.-м.н. А.Н.Панкратов.
* '''[[Вычислительные задачи математической биологии и биофизики]]''', доц., к.ф.-м.н. С.А.Махортых, доц., к.ф.-м.н. А.Н.Панкратов.
Строка 98: Строка 98:
* '''[[Дискретно-непрерывные преобразования изображений в задачах распознавания]]''', проф., д.т.н. [[Участник:Mest|Л.М.Местецкий]].
* '''[[Дискретно-непрерывные преобразования изображений в задачах распознавания]]''', проф., д.т.н. [[Участник:Mest|Л.М.Местецкий]].
-
* '''[[Спецсеминар "Прикладные методы прогнозирования и анализа данных"|Прикладные методы прогнозирования и анализа данных]]''', доц., д.ф.-м.н. [[Участник:Rvv|В.В.Рязанов]]. Спецсеминар проходит по вторникам в 16:20, ауд. 605.
+
* '''[[Спецсеминар "Прикладные методы прогнозирования и анализа данных"|Прикладные методы прогнозирования и анализа данных]]''', доц., д.ф.-м.н. [[Участник:Rvv|В.В.Рязанов]].
* '''[[Проблемно-ориентированные схемы распознавания]]''', чл.-корр. РАН, проф. [[Рудаков, Константин Владимирович|Рудаков Константин Владимирович]], доц., к.ф.-м.н. [[Участник:Yury Chekhovich|Ю.В.Чехович]].
* '''[[Проблемно-ориентированные схемы распознавания]]''', чл.-корр. РАН, проф. [[Рудаков, Константин Владимирович|Рудаков Константин Владимирович]], доц., к.ф.-м.н. [[Участник:Yury Chekhovich|Ю.В.Чехович]].

Версия 18:43, 3 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

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, 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, 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.
    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.
  • Извлечение информации из изображений, И.Б.Гуревич.
  • Основы обобщенного спектрально-аналитического метода и его приложения, Ф.Ф.Дедус, раз в две недели по 4 академических часа.
    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.
  • Вычислительные задачи математической биологии, А.Н.Панкратов, раз в две недели по 4 академических часа.
    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 Рудаков К.В., Торшин И.Ю.)
    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

Преподаватели

Материалы для студентов

Рекомендации

Шаблоны

  • mmp-fish-kurs — образцы оформления курсовых работ в MS Word и LaTeX. — Обновлено 14 апреля 2011 г.

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