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

Материал из MachineLearning.

Версия 14:33, 12 февраля 2015

		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.А. Кропотов Все контакты

Расписание спецкурсов и спецсеминаров в весеннем семестре 2014/2015 уч.г.

Расписание основных занятий

Спецкурсы

• Модели распознавания, Козлов Вадим Никитович.

  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.

• 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.

• Исчисления высказываний классической и интуиционистской логик, 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.

• Прикладные задачи анализа данных, А.Г. Дьяконов.

• 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 интеллектуального анализа данных, основанные на поиске оптимальных систем статистически достоверных закономерностей, О.В. Сенько.

• Вероятностные тематические модели, К.В. Воронцов.

  В спецкурсе изучаются методы построения вероятностных тематических моделей (topic modeling) коллекций текстовых документов. Развивается многокритериальный подход к решению некорректно поставленной задачи стохастического матричного разложения — аддитивная регуляризации тематических моделей. Особое внимание будет уделено комбинированию статистических и лингвистических методов анализа текстов. Рассматриваются прикладные задачи классификации и категоризации текстов, информационного поиска, персонализации и рекомендательных систем, а также задачи анализа и классификации дискретизированных биомедицинских сигналов. Предполагается проведение студентами численных экспериментов на модельных и реальных данных.

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

• 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.

• 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.

• 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. 579, начало в 18-10. Первое занятие 13 февраля.

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

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

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

• 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.