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

Материал из MachineLearning.

Версия 08:19, 10 января 2013

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

Расписание спецкурсов и спецсеминаров в весеннем семестре 2012/2013 уч.г.

Расписание основных занятий

Спецкурсы

• Методы оптимизации в машинном обучении, Д.А. Кропотов, читается в осеннем семестре.

  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.

• 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.

• 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.

• 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.

• Вычислительные задачи математической биологии, С.А. Махортых.

  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.

  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.

• 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.

• 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).

• 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.

• Байесовские методы машинного обучения, Д.П. Ветров, Д.А. Кропотов.

  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.

Спецсеминары

• Байесовские методы машинного обучения, Д.П.Ветров.

• Анализ и оценивание информации представленной в виде изображений.

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

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

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

• Спектральные методы в задачах математической биологии, Ф.Ф.Дедус.

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

• Логические модели распознавания, Е.В.Дюкова.

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

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

• Вычислительные задачи математической биологии и биофизики, С.А.Махортых, А.Н.Панкратов.

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

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

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

Ссылки

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