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

Материал из MachineLearning.

Версия 12:21, 3 февраля 2012

		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 осеннем семестре 2011/2012 уч.г.

Расписание основных занятий

Спецкурсы

• 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.

• 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.

• 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.

• Основы обобщенного спектрально-аналитического метода и его приложения, Ф.Ф. Дедус, А.Н. Панкратов, Р.К. Тетуев.

  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).

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

  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.

  В спецкурсе будут рассмотрены проблемы и методы кластерного анализа (подходы и алгоритмы кластеризации с известным и неизвестным числом кластеров, критерии кластеризации, вопросы устойчивости, построение оптимальных коллективных решений), новые подходы в регрессионном анализе, поиск зависимостей по прецедентам, практические применения в медицине, бизнесе и технике.

• 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.

• 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.

• 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.

• Структурные методы анализа изображений и сигналов, Д.П. Ветров, Д.А. Кропотов, читается в весеннем семестре.

  В спецкурсе излагаются основы теории графических моделей и их применения для решения неклассических задач обучения и вывода при наличии структурной информации. Спецкурс опирается на применение байесовского аппарата теории вероятностей. В единых терминах излагается ряд методов анализа изображений и сигналов, а также общие подходы к построению эффективных приближенных методов байесовского вывода. Спецкурс поддерживается практическими заданиями.

• 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.

• 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.

• 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.

Спецсеминары

• Байесовские методы машинного обучения, н.с., к.ф.-м.н. Д.П.Ветров.

• Анализ данных в метрических пространствах, доц., к.ф.-м.н. А.И.Майсурадзе.

• Анализ и оценивание информации представленной в виде изображений, доц., к.ф.-м.н. И.Б.Гуревич.

• Проблемы обобщающей способности алгоритмов классификации, регрессии и прогнозирования, доц., д.ф.-м.н. К.В.Воронцов.

• Новые методы в распознавании образов и прогнозировании, доц., к.ф.-м.н. С.И.Гуров.

• Спектральные методы в задачах математической биологии, проф., д.т.н. Ф.Ф.Дедус.

• Алгебра над алгоритмами и эвристический поиск закономерностей, доц., д.ф.-м.н А.Г.Дьяконов.

• Логические модели распознавания, доц., д.ф.-м.н. Е.В.Дюкова.

• Алгебрологические методы в задачах классификации и прогнозирования, академик РАН, д.ф.-м.н., профессор Ю.И.Журавлёв.

• Комбинаторные основы теории информации, проф., д.ф.-м.н. В.К.Леонтьев.

• Вычислительные задачи математической биологии и биофизики, доц., к.ф.-м.н. С.А.Махортых, доц., к.ф.-м.н. А.Н.Панкратов.

• Дискретно-непрерывные преобразования изображений в задачах распознавания, проф., д.т.н. Л.М.Местецкий.

• Прикладные методы прогнозирования и анализа данных, доц., д.ф.-м.н. В.В.Рязанов.

• Проблемно-ориентированные схемы распознавания, чл.-корр. РАН, проф. Рудаков Константин Владимирович, доц., к.ф.-м.н. Ю.В.Чехович.

• Стохастические методы прогнозирования, вед.н.с., д.т.н. А.М.Шурыгин.

Ссылки

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