Математические методы прогнозирования (кафедра ВМиК МГУ)/Кафедральные курсы

Материал из MachineLearning.

Основная статья: Математические методы прогнозирования (кафедра ВМиК МГУ)

Содержание 1 Третий курс 2 Четвёртый курс 3 Пятый курс 4 Архив курсов

Третий курс

• Математические методы распознавания образов, К.В.Воронцов

  Изучаются методы классификации, регрессии, понижения размерности, кластеризации, как классические, так и новые, созданные за последние 10–15 лет. На материал данного курса опираются последующие кафедральные курсы.

• Прикладная алгебра (часть 1), А.Г.Дьяконов

• Алгоритмы, модели, алгебры, А.Г.Дьяконов

• Практикум на ЭВМ (317), А.Г.Дьяконов

Четвёртый курс

• Практикум, А.И.Майсурадзе

• Математические методы классификации, К.В. Рудаков

• Прикладная алгебра (часть 2), В.К. Леонтьев.

• Математические методы прогнозирования, А.М. Шурыгин

• Обработка и распознавание изображений, Л.М. Местецкий

• Прикладная алгебра (часть 3), С.И.Гуров

• Математические основы теории прогнозирования, Ю.И. Журавлев, Д.П. Ветров

  Обзорный курс для студентов 3-го потока ВМК МГУ по основным математическим методам решения задач машинного обучения. Задачей курса также является ознакомление с основными математическими теориями, которые используются при построении алгоритмов распознавания, такими как алгебра, математическая статистика, методы оптимизации, дискретная математика и др.

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.

Архив курсов

• Прикладные системы распознавания и прогнозирования, К.В. Рудаков и др.