Математические методы распознавания образов (конференция)/Программа ММРО-19

Материал из MachineLearning.

Перейти к: навигация, поиск
Основная статья: Математические методы распознавания образов (конференция)
Короткая ссылка на эту страницу: bit.ly/33VfUBx


Расписание является предварительным и служит для согласования времени докладов с участниками конференции.


Содержание

Программа 19-й конференции ММРО, г. Москва, 26-19 ноября 2019

Вторник, 26 ноября, 10:00–13:30

Открытие конференции

Приветственные выступления Козлов Валерий Васильевич, вице-президент РАН, академик РАН (по согласованию), Хохлов Алексей Рэмович, вице-президент РАН, академик РАН (по согласованию)
Журавлев Юрий Иванович, академик РАН (по согласованию), Рудаков Константин Владимирович, академик РАН, заместитель директора ФИЦ ИУ РАН
Соколов Игорь Анатольевич , академик РАН (по согласованию), представитель Российского Фонда Фундаментальных исследований, (по согласованию)
представитель АО «Российская венчурная компания», (по согласованию), представитель Фонда содействия развитию малых форм предприятий в научно-технической сфере (Фонд содействия инновациям), (по согласованию)

Пленарное заседание

  1. 11:00 Рудаков Константин Владимирович
    О роли фундаментальной математики в искусственном интеллекте, распознавании образов, в анализе больших данных и т.п.
  2. 11:30 Воронцов Константин Вячеславович
    [12:00 - 12:30] кофе-брейк
  3. 12:30 ',
  4. 13:00 '

Вторник, 26 ноября, 15:00–18:00

Пленарное заседание (продолжение)

  1. 15:00 Рудаков Константин Владимирович
    О роли фундаментальной математики в искусственном интеллекте, распознавании образов, в анализе больших данных и т.п.
  2. 15:30 '
  3. 16:00 '
    [16:30 - 17:00] кофе-брейк
  4. 17:00 '
  5. 17:30 '
  6. 18:30 '

Среда, 27 ноября

Интеллектуальная оптимизация и эффективный менеджмент (параллельное мероприятие, зал 1)

  1. Архипов Д. И., Баттайя О. Н., Лазарев А. А. Полиномиальный алгоритм для нахождения нижней оценки общего времени выполнения проекта
  2. Германчук М. С., Козлова М. Г. Распознавание, анализ и визуализация интернет-мемов
  3. Германчук М. С., Лукьяненко В. А., Меньшиков А. О. Задача распознавания символического образа динамической системы
  4. Ковун В. А., Каширина И. Л., Бондаренко Ю. В. Использование машинного обучения в задачах количественной металлографии
  5. ЛазаревА. А., Лемтюжникова Д. В., Вернер Ф. Метрики для задач теории расписаний с несколькими приборами
  6. Некрасов И. В., Правдивец Н. А. Машинное обучение в задачах прогноза отказов оборудования
  7. Скобелев П. О. Мультиагентные модели и методы самоорганизации расписаний для решения сложных задач адаптивного управления ресурсами в реальном времени
  8. Курбатов В. С., Токарева В. А., Цирков Д. А. Расширение алгоритма FUMILI для оптимизации квадратичных функционалов со связями между параметрами
  9. Азарнова Т. В., Полухин П. В. Динамические байесовские сети как инструмент тестирования вебприложений методом фаззинга
  10. Азарнова Т. В., Аснина Н. Г., Бондаренко Ю. В. Применение методов интеллектуального анализа данных в оценке функциональной эффективности команд менеджеров
  11. Толок А. В., Толок Н. Б. Метод градиентного спуска на основе многомерных воксельных образов
  12. Лазарев А. А., Правдивец Н. А., Вернер Ф. Двойственные и обратные задачи в теории расписаний
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_%D1%80%D0%B0%D1%81%D0%BF%D0%BE%D0%B7%D0%BD%D0%B0%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BE%D0%B1%D1%80%D0%B0%D0%B7%D0%BE%D0%B2_%28%D0%BA%D0%BE%D0%BD%D1%84%D0%B5%D1%80%D0%B5%D0%BD%D1%86%D0%B8%D1%8F%29/%D0%9F%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B0_%D0%9C%D0%9C%D0%A0%D0%9E-19»
Личные инструменты