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

Материал из MachineLearning.

Версия 13:06, 29 августа 2014 (править) Kropotov (Обсуждение | вклад) м ← К предыдущему изменению		Версия 11:40, 1 сентября 2014 (править) (отменить) Kropotov (Обсуждение | вклад) (+ спецкурс Козлова) К следующему изменению →
Строка 58:		Строка 58:
	|		|
	|		|
-	|	+	| <small>С/К Модели распознавания, Козлов&nbsp;В.Н., 506</small>
	|		|
	|		|
Строка 80:		Строка 80:
	|		|
	|<!-- ЗДЕСЬ ПЕРЕЧИСЛЯЮТСЯ СПЕЦКУРСЫ ТЕКУЩЕГО СЕМЕСТРА -->		|<!-- ЗДЕСЬ ПЕРЕЧИСЛЯЮТСЯ СПЕЦКУРСЫ ТЕКУЩЕГО СЕМЕСТРА -->
		+	{{Курс|Режим = {{{1}}}|Название =
		+	'''Модели распознавания''', Козлов Вадим Никитович, проходит по средам, начало в 16-20, ауд. 506. Первое занятие состоится 10 сентября (среда).
		+	|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.
		+	}}
	<!-- КОНЕЦ ПЕРЕЧИСЛЕНИЯ СПЕЦКУРСОВ ТЕКУЩЕГО СЕМЕСТРА -->		<!-- КОНЕЦ ПЕРЕЧИСЛЕНИЯ СПЕЦКУРСОВ ТЕКУЩЕГО СЕМЕСТРА -->
	}}<noinclude><!-- ЗДЕСЬ ПЕРЕЧИСЛЯЮТСЯ ВСЕ ОСТАЛЬНЫЕ СПЕЦКУРСЫ-->		}}<noinclude><!-- ЗДЕСЬ ПЕРЕЧИСЛЯЮТСЯ ВСЕ ОСТАЛЬНЫЕ СПЕЦКУРСЫ-->

---

Версия 11:40, 1 сентября 2014

		Кафедральные курсы Спецкурсы/спецсеминары Новости	Расписание Учебный план Персональный состав	Материалы Диссертации/дипломные работы Просеминар		Тел. +7-495-939-4202 e-mail: Ученый секретарь: Д.П. Ветров Все контакты

---

Содержание 1 Расписание спецкурсов и спецсеминаров в весеннем семестре 2013/2014 уч.г. 2 Спецкурсы 3 Спецсеминары 4 Ссылки

Расписание спецкурсов и спецсеминаров в весеннем семестре 2013/2014 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 Модели распознавания, Козлов В.Н., 506
18:05 – 19:40					С/С БММО, Д.П.Ветров, 637
20:00 – 21:35

Расписание основных занятий

Спецкурсы

• Модели распознавания, Козлов Вадим Никитович, проходит по средам, начало в 16-20, ауд. 506. Первое занятие состоится 10 сентября (среда).

  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 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.

• 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 поиска достоверных эмпирических закономерностей в многомерных данных, О.В. Сенько.

• Вероятностные тематические модели, К.В. Воронцов.

• Задачи и алгоритмы вычислительной геометрии, Л.М. Местецкий.

• Прикладные задачи анализа данных, А.Г. Дьяконов (посещение закрытое).

• 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.

• Основы обобщенного спектрально-аналитического метода и его приложения, Ф.Ф. Дедус. Лекции проходят один 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).

• Вычислительные задачи математической биологии, А.Н. Панкратов. Лекции проходят один 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.

• 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.

• 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.

• Булевы уравнения и проблема SAT, С.И. Гуров, А.Г. Дьяконов.

• 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.

• 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

• Байесовские методы машинного обучения, Д.П.Ветров, проходит по пятницам в ауд. 637, начало в 18-10. Первое занятие состоится 12 сентября.

• Алгебра над алгоритмами и эвристический поиск закономерностей, А.Г.Дьяконов.

• Анализ и оценивание информации представленной в виде изображений, И.Б.Гуревич.

• Проблемы обобщающей способности алгоритмов классификации, регрессии и прогнозирования, К.В.Воронцов.

• Учебно-научный семинар «Интеллектуальный анализ данных: новые задачи и методы», С.И.Гуров, А.И.Майсурадзе.

• Анализ данных в метрических пространствах, А.И.Майсурадзе.

• Логические модели распознавания, Е.В.Дюкова.

• Алгебрологические методы в задачах классификации и прогнозирования, Ю.И.Журавлёв.

• Комбинаторные основы теории информации, В.К.Леонтьев.

• Дискретно-непрерывные преобразования изображений в задачах распознавания, Л.М.Местецкий.

• Прикладные методы прогнозирования и анализа данных, В.В.Рязанов.

• Проблемно-ориентированные схемы распознавания, К.В.Рудаков, Ю.В.Чехович.

Ссылки

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