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

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Начало работы)
(+ расписание)
Строка 1: Строка 1:
{{Main|Математические методы прогнозирования (кафедра ВМиК МГУ)}}
{{Main|Математические методы прогнозирования (кафедра ВМиК МГУ)}}
 +
__TOC__
== Расписание спецкурсов и спецсеминаров в осеннем семестре 2011/2012 уч.г. ==
== Расписание спецкурсов и спецсеминаров в осеннем семестре 2011/2012 уч.г. ==
 +
{|class = "standard"
 +
! width="100pt" align="center"|Пара !! width="180pt" align="center"|Понедельник !! width="180pt" align="center"|Вторник !! width="180pt" align="center"|Среда !! width="180pt" align="center"|Четверг !! width="180pt" align="center"|Пятница
 +
|-
 +
!8:45 – 10:20
 +
| || || || ||
 +
|-
 +
!10:30 – 12:05
 +
| || || || ||
 +
|-
 +
!12:15 – 13:50
 +
| || || || ||
 +
|-
 +
!14:35 – 16:10
 +
| || || || ||
 +
|-
 +
!16:20 – 17:55
 +
| || || <small>С/К [[Бммо|БММО]], [[Участник:Dmitry Vetrov|Д.П. Ветров]]</small> || ||
 +
|-
 +
!18:05 – 19:40
 +
| || || <small>С/С [[vetrovsem|БММО]], [[Участник:Dmitry Vetrov|Д.П. Ветров]]</small> || ||
 +
|-
 +
|}
 +
[[Математические методы прогнозирования (кафедра ВМиК МГУ)/Расписание|'''Полное расписание занятий''']]
== Спецкурсы ==
== Спецкурсы ==

Версия 20:49, 2 сентября 2011

Основная статья: Математические методы прогнозирования (кафедра ВМиК МГУ)

Содержание

Расписание спецкурсов и спецсеминаров в осеннем семестре 2011/2012 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 БММО, Д.П. Ветров
18:05 – 19:40 С/С БММО, Д.П. Ветров

Полное расписание занятий

Спецкурсы

  • Байесовские методы машинного обучения, Д.П. Ветров, Д.А. Кропотов, проходит по средам, начало в 16-20.
    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

Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%82%D0%B5%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B8%D0%B5_%D0%BC%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BF%D1%80%D0%BE%D0%B3%D0%BD%D0%BE%D0%B7%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%28%D0%BA%D0%B0%D1%84%D0%B5%D0%B4%D1%80%D0%B0_%D0%92%D0%9C%D0%B8%D0%9A_%D0%9C%D0%93%D0%A3%29/%D0%A1%D0%BF%D0%B5%D1%86%D0%BA%D1%83%D1%80%D1%81%D1%8B-%D1%81%D0%BF%D0%B5%D1%86%D1%81%D0%B5%D0%BC%D0%B8%D0%BD%D0%B0%D1%80%D1%8B»
Личные инструменты