Математические методы прогнозирования (кафедра ВМиК МГУ)

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Доска объявлений)
(Доска объявлений)
Строка 8: Строка 8:
Производственную практику студенты проходят в научно-исследовательских институтах РАН, участвуя, в том числе, в работах по грантам [[РФФИ]], и компаниях, специализирующихся в анализе данных и машинном обучении (например, в компании [[Форексис]]). Многие студенты, имеющие склонность к научной деятельности, получают первые самостоятельные результаты уже к четвертому-пятому году обучения, публикуются в научных журналах и после получения диплома продолжают обучение в аспирантуре кафедры.
Производственную практику студенты проходят в научно-исследовательских институтах РАН, участвуя, в том числе, в работах по грантам [[РФФИ]], и компаниях, специализирующихся в анализе данных и машинном обучении (например, в компании [[Форексис]]). Многие студенты, имеющие склонность к научной деятельности, получают первые самостоятельные результаты уже к четвертому-пятому году обучения, публикуются в научных журналах и после получения диплома продолжают обучение в аспирантуре кафедры.
-
===[[Доска объявлений]]===
 
-
*''Кафедра Математических методов прогнозирования'' Спецкурс (продолжение)
 
-
* "'''Логический анализ данных в распознавании'''"
 
-
читает д.ф.-м.н. Е. В. Дюкова.
 
-
Первая лекция состоится 1 марта (понедельник) в '''16:20''' ауд. '''637'''
 
-
* Будет продолжено изучение вопросов эффективного применения комбинаторно-логических методов для синтеза распознающих процедур. Будет рассмотрены подходы к оценке вычислительной сложности алгоритмов и качества решения прикладных задач.
 
-
Первая часть спецкурса была в основном посвящена изложению общих принципов конструирования логических процедур распознавания. По спецкурсу есть учебное пособие (www.ccas.ru/frc), в котором кратко изложены вопросы логического анализа данных в распознавании, рассматриваемые в спецкурсе.
 
-
Спецкурс рассчитан на студентов '''2-5''' курсов.
 
-
Студенты '''3-5''' курсов приглашаются также на спецсеминар "'''Логические модели распознавания'''",
 
-
проводимый под руководством д.ф.-м.н. ''Дюковой Е.В.''
 
-
 
-
*''Кафедра математических методов прогнозирования'' Спецсеминар
 
-
* "'''Байесовские методы машинного обучения'''"
 
-
(рук. н.с., к.ф. - м.н. ''Д.П. Ветров'')
 
-
*Будет проходить по средам в '''18:20''' в ауд. '''582'''.
 
-
Первое заседание в весеннем семестре состоится 10 февраля. Принять участие в работе спецсеминара приглашаются студенты
 
-
'''2'''-го курса, желающие распределиться на ММП и участвовать в работе данного спецсеминара на старших курсах.
 
-
 
-
 
-
*''Кафедра математических методов прогнозирования''
 
-
Студенты '''517''' гр. прослушивают курс «'''Современные проблемы прикладной информатики'''»
 
-
вместе с '''1'''-ым потоком (курс «'''Суперкомпьютерные вычисления'''» с практикумом). Начало занятий '''1 марта'''.
 
-
 
-
 
-
*''Кафедра математических методов прогнозирования'' Спецкурс
 
-
*«'''Теория надёжности обучения по прецедентам'''»
 
-
(пятница,'''16:20–17:55''',ауд.'''606''',начиная с 12 февраля)
 
-
(к.ф.-м.н. ''Константин Вячеславович Воронцов'')
 
-
vokov@forecsys.ru, http://www.ccas.ru/voron
 
-
*Спецкурс знакомит студентов с современным состоянием теории вычислительного обучения (computational learning theory, COLT), исследующей проблему качества восстановления зависимостей по эмпирическим данным. Родоначальниками этой теории были советские математики В. Н. Вапник и А. Я. Червоненкис. В 80-е годы эта теория получила широкую мировую известность, и в настоящее время развивается очень активно, главным образом, за рубежом. Один из основных вопросов COLT — как количественно оценить способность алгоритмов классификации и прогнозирования обобщать эмпирические факты. В каких случаях можно утверждать, что общие закономерности, выявленные по частным прецедентам, не окажутся «кажущимися», «предрассудками»? Как избежать переобучения — ситуации, когда ответы алгоритма слишком точны на обучающей выборке, но недостаточно точны на новых данных, которые не были известны в момент обучения? Как управлять обобщающей способностью алгоритма на стадии его построения? Эти и другие смежные вопросы рассматриваются в данном спецкурсе.
 
-
В этом семестре:
 
-
*Слабая вероятностная аксиоматика, задачи эмпирического предсказания и проверки гипотез.
 
-
*Точные комбинаторные оценки вероятности переобучения модельных семейств алгоритмов.
 
-
*Профиль компактности выборки и отбор опорных объектов в методе ближайшего соседа.
 
-
*Профиль монотонности выборки и монотонные корректирующие операции.
 
-
*Современные теории обобщающей способности: радемахеровская и гауссовская сложность; PAC-байесовская теория стохастических классификаторов, shell-оценки Лангфорда.
 
-
На спецсеминарах (пятница, 1805–1930, ауд.606, начиная с 12 февраля) будут обсуждаться дипломные и курсовые работы студентов, открытые проблемы теории вычислительного обучения, прикладные задачи интеллектуального анализа данных (классификации, прогнозирования, поиска закономерностей), в том числе на основе реальных проектов компании Forecsys:
 
-
*Задачи кредитного скоринга, предсказания оттока клиентов, медицинской диагностики.
 
-
*Распределенная система «Полигон алгоритмов классификации».
 
-
*Задачи анализа клиентских сред и коллаборативной фильтрации.
 
-
*Задачи прогнозирования объёмов продаж в сетях супермаркетов.
 
-
Дополнительная информация: www.machinelearning.ru/wiki, страницы '''«Участник:Vokov»''' и '''«Теория надёжности обучения по прецедентам (курс лекций, ''К.В. Воронцов'')»'''
 
== Кафедральные курсы ==
== Кафедральные курсы ==

Версия 11:16, 22 марта 2010

Заведующий кафедрой — лауреат Ленинской премии, академик РАН, д.ф.-м.н., профессор Юрий Иванович Журавлёв

Содержание

Кафедра была создана в 1997 году. Кафедра готовит специалистов по анализу данных, распознаванию и прогнозированию в технике, экономике, социологии, биологии и т. п. с использованием современных математических методов, программных и компьютерных систем. В процессе обучения студенты получают фундаментальное образование в таких областях математики, как современная алгебра, математическая логика, дискретная и комбинаторная математика, математическое моделирование, диагностика сложных систем, интеллектуальный анализ данных, машинное обучение, прогнозирование, прикладная статистика, математические модели искусственного интеллекта, распознавание образов, обработка и анализ изображений. В рамках специального практикума студенты получают навыки работы с современными базами данных и знаний, овладевают современными языками и методами программирования, приобретают опыт решения прикладных задач. Кафедра готовит научных работников, преподавателей колледжей и высшей школы, специалистов по разработке и применению математических методов для решения таких задач, как, например, прогнозирование месторождений полезных ископаемых, землетрясений, свойств химических соединений, техногенных и социальных катастроф и кризисов, развития экономических и политических ситуаций, и т. п.

В 2001 году был создан филиал кафедры на базе Института математических проблем биологии РАН в г. Пущино, в котором студенты старших курсов участвуют в решении фундаментальных и прикладных проблем в области биоинформатики.

Производственную практику студенты проходят в научно-исследовательских институтах РАН, участвуя, в том числе, в работах по грантам РФФИ, и компаниях, специализирующихся в анализе данных и машинном обучении (например, в компании Форексис). Многие студенты, имеющие склонность к научной деятельности, получают первые самостоятельные результаты уже к четвертому-пятому году обучения, публикуются в научных журналах и после получения диплома продолжают обучение в аспирантуре кафедры.


Кафедральные курсы

Для студентов 3 курса

Для студентов 4 курса

Для студентов 5 курса

Спецсеминары кафедры

Преподаватели

Ссылки

Литература

Личные инструменты