Участник:Vokov

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Магистерские диссертации)
м (Доклады на конференциях и семинарах)
(305 промежуточных версий не показаны.)
Строка 2: Строка 2:
{| style="border:0px;"
{| style="border:0px;"
|-
|-
-
|[[Изображение:VorontsovFace.jpg]]   
+
|[[Изображение:VorontsovFace.jpg|150px]]   
|'''Воронцов Константин Вячеславович'''
|'''Воронцов Константин Вячеславович'''
-
профессор РАН, д.ф.-м.н.
+
профессор РАН, д.ф.-м.н.,
<br/>
<br/>
-
Зав. отделом «Интеллектуальные системы» [[Вычислительный центр РАН|Вычислительного центра ФИЦ ИУ РАН]].
+
проф., и.о. зав. каф. «[[Математические методы прогнозирования (кафедра ВМК МГУ)|Математические методы прогнозирования]]» [[ВМК МГУ]],
<br/>
<br/>
-
Проф. каф. «[[Интеллектуальные системы (кафедра МФТИ)|Интеллектуальные системы]]» [[ФУПМ]] [[МФТИ]].
+
зав. лаб. «Машинное обучение и семантический анализ» Института искусственного интеллекта [[МГУ]]
<br/>
<br/>
-
Доц. каф. «[[Математические методы прогнозирования (кафедра ВМиК МГУ)|Математические методы прогнозирования]]» [[ВМиК МГУ]].
+
зав. каф. «Машинного обучения и цифровой гуманитаристики» [[МФТИ]],
<br/>
<br/>
-
Преподаватель [[ШАД|Школы анализа данных Яндекс]].
+
проф. каф. «[https://intsystems.github.io/ru Интеллектуальные системы]» [[МФТИ]] ([[Интеллектуальные системы (кафедра МФТИ)|см.также]]),
<br/>
<br/>
-
Зам. директора по науке [[Компания Forecsys|ЗАО «Форексис»]], [http://www.forecsys.ru www.forecsys.ru].
+
г.н.с. отдела «Интеллектуальные системы» [[Вычислительный центр РАН|Вычислительного центра ФИЦ ИУ РАН]],
-
 
+
<br/>
-
Один из идеологов и [[ML:АДМ|Администраторов]] ресурса '''MachineLearning.RU'''.
+
<!--зам. директора по науке [[Компания Forecsys|ЗАО «Форексис»]], [http://www.forecsys.ru www.forecsys.ru],
-
 
+
<br/>-->
-
Прочие подробности — на подстранице '''[[Участник:Vokov/CV|Curriculum vitæ]]'''.
+
один из идеологов и [[ML:АДМ|Администраторов]] ресурса '''MachineLearning.RU''',
-
 
+
<br/>
-
'''[[Служебная:EmailUser/Vokov|Мне можно написать письмо]]'''.
+
прочие подробности — на подстранице '''[[Участник:Vokov/CV|Curriculum vitæ]]'''.
|}
|}
 +
* [http://orcid.org/0000-0002-4244-4270 Профиль ORCID = 0000-0002-4244-4270]
* [https://www.scopus.com/authid/detail.uri?authorId=6507982932 Профиль SCOPUS ID = 6507982932]
* [https://www.scopus.com/authid/detail.uri?authorId=6507982932 Профиль SCOPUS ID = 6507982932]
-
* [http://www.researcherid.com/rid/G-7857-2014 WoS ResearcherID = G-7857-2014]
+
* [http://www.researcherid.com/rid/G-7857-2014 Профиль WoS ResearcherID = G-7857-2014]
* [http://scholar.google.com/citations?user=KIW4fnsAAAAJ Профиль Google Scholar]
* [http://scholar.google.com/citations?user=KIW4fnsAAAAJ Профиль Google Scholar]
-
* [http://www.informatik.uni-trier.de/~ley/pers/hd/v/Vorontsov:Konstantin Профиль DBLP]
+
* [https://dblp.uni-trier.de/pid/258/0122.html Профиль DBLP]
* [http://elibrary.ru/author_items.asp?authorid=15081 Профиль РИНЦ ID = 15081]
* [http://elibrary.ru/author_items.asp?authorid=15081 Профиль РИНЦ ID = 15081]
-
* [http://istina.msu.ru/profile/vokov Профиль в системе ИСТИНА]
+
* [http://istina.msu.ru/profile/vokov Профиль в системе ИСТИНА IRID = 3151446]
* [http://www.mathnet.ru/php/person.phtml?personid=42083&option_lang=rus Профиль MathNet.ru]
* [http://www.mathnet.ru/php/person.phtml?personid=42083&option_lang=rus Профиль MathNet.ru]
 +
'''[[Служебная:EmailUser/Vokov|Мне можно написать письмо]]'''.
 +
 +
http://www.MachineLearning.ru/wiki?title=User:Vokov — короткая ссылка на эту страницу.
<!--
<!--
<div style="padding-top=1em;">
<div style="padding-top=1em;">
Строка 44: Строка 48:
== Учебные материалы ==
== Учебные материалы ==
=== Курсы лекций ===
=== Курсы лекций ===
-
* [[Машинное обучение (курс лекций, К.В.Воронцов)|Математические методы обучения по прецедентам (машинное обучение)]] — годовой курс, [[Интеллектуальные системы (кафедра МФТИ)|кафедра «Интеллектуальные системы»]] [[ФУПМ]] [[МФТИ]] и [[Математические методы прогнозирования (кафедра ВМиК МГУ)|кафедра ММП]] [[ВМиК МГУ]].
+
* [[Машинное обучение (курс лекций, К.В.Воронцов)|Машинное обучение]] — годовой курс, [[Интеллектуальные системы (кафедра МФТИ)|кафедра «Интеллектуальные системы»]] [[ФУПМ]] [[МФТИ]] и [[Математические методы прогнозирования (кафедра ВМК МГУ)|кафедра ММП]] [[ВМК МГУ]].
-
* [[Вероятностные тематические модели (курс лекций, К.В.Воронцов)|Вероятностные тематические модели]] — семестровый спецкурс, [[Математические методы прогнозирования (кафедра ВМиК МГУ)|кафедра ММП]] [[ВМиК МГУ]].
+
* [[Математические методы анализа текстов (МФТИ) / 2021|Математические методы анализа текстов]] — семестровый курс, [[Интеллектуальные системы (кафедра МФТИ)|кафедра «Интеллектуальные системы»]] [[ФУПМ]] [[МФТИ]] и [[Математические методы прогнозирования (кафедра ВМК МГУ)|кафедра ММП]] [[ВМК МГУ]]
-
* [[Теория надёжности обучения по прецедентам (курс лекций, К. В. Воронцов)|Теория надёжности обучения по прецедентам]] — спецкурс, [[Математические методы прогнозирования (кафедра ВМиК МГУ)|кафедра ММП]] [[ВМиК МГУ]].
+
* [[Вероятностные тематические модели (курс лекций, К.В.Воронцов)|Вероятностные тематические модели]] — семестровый курс, [[Интеллектуальные системы (кафедра МФТИ)|кафедра «Интеллектуальные системы»]] [[ФУПМ]] [[МФТИ]] и спецкурс на [[Математические методы прогнозирования (кафедра ВМК МГУ)|кафедре ММП]] [[ВМК МГУ]].
-
* [[Статистический анализ данных (курс лекций, К.В.Воронцов)|Прикладной статистический анализ данных]] — семестровый курс, [[Математические методы прогнозирования (кафедра ВМиК МГУ)|кафедра ММП]] [[ВМиК МГУ]]; альтернативный семестровый курс, [[ФУПМ]] [[МФТИ]].
+
* [[Теория надёжности обучения по прецедентам (курс лекций, К. В. Воронцов)|Теория надёжности обучения по прецедентам]] — спецкурс, [[Математические методы прогнозирования (кафедра ВМК МГУ)|кафедра ММП]] [[ВМК МГУ]].
 +
* [[Статистический анализ данных (курс лекций, К.В.Воронцов)|Прикладной статистический анализ данных]] — семестровый курс, [[Математические методы прогнозирования (кафедра ВМК МГУ)|кафедра ММП]] [[ВМК МГУ]]; альтернативный семестровый курс, [[ФУПМ]] [[МФТИ]].
=== Рекомендации для студентов и аспирантов ===
=== Рекомендации для студентов и аспирантов ===
Строка 59: Строка 64:
* [[Требования к кандидатской диссертации]]
* [[Требования к кандидатской диссертации]]
-
== Выступления на конференциях и семинарах ==
+
== Интервью, выступления, блоги ==
 +
 
 +
=== Блоги ===
 +
 
 +
* [https://zen.yandex.ru/civideology Цивилизационная идеология] — канал на Яндекс.Дзен
 +
 
 +
=== Видео, подкасты ===
 +
* 27 июня 2022. [https://www.youtube.com/watch?v=Rt7KYGU9JuM От постправды к неопровержимой лжи]. Научная Россия.
 +
* 18 июня 2022. [https://www.youtube.com/watch?v=5PhgYK_Zj1I Как предотвратить риски и угрозы искусственного интеллекта]. ДеньТВ.
 +
* 29 мая 2022. [https://m.youtube.com/watch?v=1lWtV1Qg5QM С чего начинается уничтожение человечества. Как цивилизация машин может сменить цивилизацию людей]. ДеньТВ.
 +
* 21 декабря 2021. [https://youtu.be/B44hFC0nl54?t=4857 Интеллект искусственный и естественный: взболтать, не смешивать]. Блог компании SuperJob.
 +
* 20 декабря 2021. [https://dengi-lyubyat-tehno.simplecast.com/episodes/zachem-data-sayentistu-latyn-i-rimskoe-pravo Зачем дата-сайентисту латынь и римское право]. Деньги любят техно.
 +
* 14 сентября 2021. [https://www.uhnwidata.com/den-of-rich/konstantin-vorontsov Искусственный интеллект, этика ИИ, биологическая сингулярность и цивилизационная идеология]. Подкаст [https://www.uhnwidata.com/podcast Den of Rich].
 +
* 18 июля 2021. [https://www.youtube.com/watch?v=ZILLONshB78 Искусственный интеллект на грани нервного срыва]. ДеньТВ.
 +
* 15 июля 2021. [https://www.youtube.com/watch?v=_P2N5W-c9rQ О математике, ИИ, фейковых новостях и демократии]. Маткульт-привет! :: Алексей Савватеев и Ко.
 +
* 4 июня 2021. [https://youtu.be/nYCO6hs7eNI Всё об искусственном интеллекте]. Подкаст Nadmitov Live.
 +
* 19 мая 2021. [https://youtu.be/aQUj7YVSjJs?t=572 «Безопасность от интеллекта»]. Дискуссия с философом Софьей Дойко. Поговорим за науку, МФТИ.
 +
* 24 февраля 2021. [https://youtu.be/MG2bX-M__4A «Искусственный интеллект, нейронные сети и профессии будущего»]. The human show ПОДКАСТ.
 +
* 28 декабря 2020. [https://podcasts.google.com/feed/aHR0cHM6Ly9hbmNob3IuZm0vcy8xMmRhMDE2Yy9wb2RjYXN0L3Jzcw/episode/NWYyMjAxZDEtYjAyYi00ZWU2LWE1MTMtMTk5ZTdkMWNlNTBl Как строить искусственный интеллект и не погубить человеческую цивилизацию]. Системный Блок{ъ}.
 +
* 12 ноября 2020. [https://www.youtube.com/watch?v=Rn3GJcCQVzQ&t=5366s Искусственные нейронные сети]. Рубка ПостНауки.
 +
* 21 сентября 2020. [https://postnauka.ru/video/155796 Тесты Бонгарда]. ПостНаука.
 +
* 2 июня 2020. [https://postnauka.ru/video/154955 Недообучение и переобучение в машинном интеллекте]. ПостНаука.
 +
* 4 октября 2017. [https://youtu.be/DR3mgnEKRgI Интервью Юрию Кашницкому и Алексею Натекину]. [https://mlcourse.ai Открытый курс машинного обучения].
 +
* 21 марта 2016. [https://postnauka.ru/video/61910 Разведочный информационный поиск]. ПостНаука.
 +
* 24 февраля 2016. [https://postnauka.ru/video/59633 Математические методы прогнозирования объемов продаж]. ПостНаука.
 +
 
 +
=== Лонгриды ===
 +
 
 +
* 27 июня 2022. [https://scientificrussia.ru/articles/ot-postpravdy-k-neoproverzimoj-lzi-professor-ran-konstantin-voroncov-ob-informacionnoj-bezopasnosti-i-novyh-vyzovah-epohi От постправды к «неопровержимой лжи»]. [https://en.scientificrussia.ru/articles/ot-postpravdy-k-neoproverzimoj-lzi-professor-ran-konstantin-voroncov-ob-informacionnoj-bezopasnosti-i-novyh-vyzovah-epohi-2 Перевод на английский язык]. Портал «Научная Россия».
 +
* 2 июня 2022. [https://zavtra.ru/blogs/tajni_boga_iz_mashini Тайны «бога из машины». Об искусственном интеллекте и цивилизационной идеологии]. Газета «Завтра».
 +
* 19 января 2022. [https://stimul.online/articles/science-and-technology/shkola-zhuravleva/?sphrase_id=21809 Школа Журавлева]. Стимул — журнал об инновациях в России.
 +
* 24 ноября 2021. [https://www.interfax.ru/russia/804681 Искусственный интеллект и информационная безопасность]. Интерфакс.
 +
* 5 ноября 2021. [https://zavtra.ru/blogs/imitatciya_intellekta Имитация интеллекта. «Цифровая магия» и её разоблачение]. Газета «Завтра».
 +
* 9 февраля 2021. [https://postnauka.ru/wtf/155978 Обучение нейронных сетей]. ПостНаука.
 +
* 11 декабря 2020. [https://postnauka.ru/wtf/156053 Глубокая нейронная сеть]. ПостНаука.
 +
* 4 декабря 2020. [https://postnauka.ru/longreads/155977 Искусственные нейронные сети: архитектуры и обучение]. ПостНаука.
 +
* 28 декабря 2020. [https://sysblok.ru/podcasts/7595 Как строить искусственный интеллект и не погубить человеческую цивилизацию]. Системный Блок{ъ}.
 +
* 25 мая 2020. [[Участник:Vokov/Интервью для РИА Новости 2020-05-25|Искусственный интеллект освободит учителя от рутины]]. РИА Новости.
 +
* 25 февраля 2019. [[Участник:Vokov/Интервью для Новой газеты 2019-02-25|15 тезисов о машинном обучении]]. Новая газета.
 +
* 15 июня 2018. [https://postnauka.ru/faq/86373 Тематическое моделирование]. ПостНаука.
 +
* 31 мая 2018. [https://postnauka.ru/faq/86374 Есть ли альтернатива искусственным нейронным сетям?] ПостНаука.
 +
* 4 октября 2017. [[Участник:Vokov/Интервью для Кота Шрёдингера 2017-10-04| Универсальный солдат big data: Как освоить самую популярную профессию]]. Кот Шрёдингера.
 +
* 29 сентября 2017. [https://postnauka.ru/faq/80038 Культура анализа данных в эру машинного обучения]. ПостНаука.
 +
* 27 сентября 2017. [[Участник:Vokov/Интервью для ПостНауки 2017-09-27|Прогресс нейронных сетей]]. ПостНаука.
 +
* 31 декабря 2016. [[Участник:Vokov/Интервью для InTalent.pro|О науке о данных и машинном обучении]]. InTalent.pro.
 +
 
 +
=== Российский радиоуниверситет, Радио России ===
 +
* [https://www.radiorus.ru/person/340483 Все эпизоды]
 +
* 5 февраля 2020. [https://www.radiorus.ru/brand/63253/episode/2241653 Исследования, разработки и перспективы ИИ в России], совместно с Игорем Пивоваровым.
 +
* 13 января 2020. [https://www.radiorus.ru/brand/63253/episode/2235758 Искусственный интеллект – наука, ремесло или спорт?], совместно с Александром Дьяконовым.
 +
* 16 декабря 2019. [https://www.radiorus.ru/brand/63253/episode/2229416 Вас обслуживает чатбот-юрист. Автоматизация юридических консультаций], совместно с Сергеем Переверзевым.
 +
* 29 октября 2019. [https://www.radiorus.ru/brand/63253/episode/2214263 iPavlov – когда машины будут свободно говорить как люди], совместно с Михаилом Бурцевым.
 +
* 15 октября 2019. [https://www.radiorus.ru/brand/63253/episode/2210583 Чатботы, нейросети и естественная речь машин], совместно с Сергеем Николенко.
 +
* 1 октября 2019. [https://www.radiorus.ru/brand/63253/episode/2206854 Big data: искусственный интеллект в мире больших данных].
 +
* 17 сентября 2019. [https://www.radiorus.ru/brand/63253/episode/2201775 Чему машины учатся у людей?]
 +
 
 +
== Доклады на конференциях и семинарах ==
 +
* 11 ноября 2022. Разметка данных для обучения нейросетевых моделей языка как способ формализации гуманитарных знаний. XVIII научная конференция межрегиональной ассоциации «История и компьютер» Историческая информатика как Historical Data Science. '''[[Media:Voron-2022-11-11.pdf|(PDF,&nbsp;2.5Мб)]]'''.
 +
* 12 октября 2022. Стандартизация разметки текста и оценивания предсказательных моделей в задачах понимания естественного языка. Конгресс «Humanities vs sciences & the knowledge accelerating in modern world: parallels and interaction». '''[[Media:Voron-2022-10-12.pdf|(PDF,&nbsp;2.2Мб)]]'''. '''[https://vk.com/video-932_456239868?t=5h33m56s Видеозапись]'''.
 +
* 8 октября 2022. Искусственный интеллект: мифы, реальность, перспективы. Всероссийский Фестиваль «Наука 0+». '''[[Media:Voron-2022-10-08.pdf|(PDF,&nbsp;5.1Мб)]]'''.
 +
* 16 августа 2022. Обучаемая векторизация данных как основа нейросетевых технологий искусственного интеллекта. Международный военно-технический форум «АРМИЯ-2022». [https://www.rusarmyexpo.ru/business_program/44032/42961.html Секция №3 «Научная проблематика в области искусственного интеллекта»] '''[[Media:Voron-2022-08-16.pdf|(PDF,&nbsp;4.8Мб)]]'''.
 +
* 20 мая 2022. Технологии искусственного интеллекта и безопасность информационного пространства. [https://opendata.university/congress#!/tab/428723728-2 Международный конгресс Университетского консорциума исследователей больших данных]. г.Киров, ВятГУ. '''[[Media:Voron-2022-05-20b.pdf|(PDF,&nbsp;1.7Мб)]]'''. '''[https://vk.com/video-18037_456239709 Видеозапись]'''.
 +
* 20 мая 2022. Технологии искусственного интеллекта против фейков, постправды и информационных войн. Заседание Экспертного совета по развитию цифровой экономики, технологий и инноваций Молодёжного парламента при Государственной думе Федерального Собрания РФ по теме «Защита суверенного информационного пространства: правовые, научно-технические и организационные меры». '''[[Media:Voron-2022-05-20a.pdf|(PDF,&nbsp;1.6Мб)]]'''.
 +
* 18 мая 2022. Вероятностные тематические модели: от теории регуляризации к моделям внимания. [http://konfpmfi.omgtu.ru XII Международная молодёжная научно-практическая конференция с элементами научной школы «Прикладная математика и фундаментальная информатика»]. Омский ГТУ. '''[[Media:Voron-2022-05-18.pdf|(PDF,&nbsp;7.1Мб)]]'''.
 +
* 17 мая 2022. Современные методы и проблемы тематического моделирования и разведочного поиска. Ежегодная конференция Российской библиотечной ассоциации XXVI. Совместное заседание: секция 08/11 по автоматизации, форматам и каталогизации 23-К. '''[[Media:Voron-2022-05-17.pdf|(PDF,&nbsp;1.7Мб)]]'''. '''[https://vk.com/video-213144162_456239017?list=ln-Dk9mZlbHMSXwSK7Z5p&t=7h40m54s Видеозапись]'''.
 +
* 14 апреля 2022. Технологии искусственного интеллекта против политики постправды. Международная научно-практическая конференция «Цифровые международные отношения». Секция «Машинный анализ естественного языка в международных отношениях». '''[[Media:Voron-2022-04-14.pdf|(PDF,&nbsp;1.5Мб)]]'''. '''[https://youtu.be/4qRdT4teS0E?t=378 Видеозапись]'''.
 +
* 17 марта 2022. Тематическое моделирование для информационного поиска. Научный семинар Центра прикладного анализа больших данных Томского государственного университета. '''[[Media:Voron-2022-03-17.pdf|(PDF,&nbsp;2.7Мб)]]'''. '''[https://youtu.be/opsXXerb09c?t=66 Видеозапись]'''.
 +
* 31 января 2022. Задачи выявления речевых манипуляций и поляризации общественного мнения в новостных текстах. Научный семинар Центра прикладного анализа больших данных Томского государственного университета. '''[[Media:Voron-2022-01-31.pdf|(PDF,&nbsp;1.1Мб)]]'''. '''[https://www.youtube.com/watch?v=A-GlCdWVcF4&t=144 Видеозапись]'''.
 +
* 7 января 2022. STEM-дисциплины (Science, Technology, Engineering, Math) – основа настоящего образования? Московская школа управления СКОЛКОВО, Образовательный интенсив «Ты. Университет. Будущее». '''[[Media:Voron-2022-01-07.pdf|(PDF,&nbsp;2.8Мб)]]'''.
 +
* 13 декабря 2021. Математические методы понимания естественного языка для мониторинга медиа-пространства. Заседание Общего собрания Отделения математических наук Российской академии наук «Современные математические проблемы искусственного интеллекта». '''[[Media:Voron-2021-12-13.pdf|(PDF,&nbsp;2.8Мб)]]'''.
 +
* 7 декабря 2021. Задачи и методы понимания естественного языка для мониторинга медиа-пространства. [[Математические методы распознавания образов (конференция)]]. '''[[Media:voron21mmpr.pdf|(PDF,&nbsp;2.3&nbsp;МБ)]]'''. '''[https://youtu.be/pPIsC38i8JQ?t=2700 Видеозапись]'''.
 +
* 23 ноября 2021. Технологии искусственного интеллекта и безопасность информационного пространства. Заседание Президиума Российской академии наук «Искусственный интеллект в контексте информационной безопасности». '''[[Media:Voron-2021-11-23.pdf|(PDF,&nbsp;1.4Мб)]]'''. '''[https://youtu.be/cjRpLu6MOFE?t=6489 Видеозапись]'''.
 +
* 29 октября 2021. Обзор оптимизационных задач машинного обучения. [https://cmcm2021.mipt.ru Smart Computational Methods in Continuum Mechanics]. Конференция памяти академика О.М.Белоцерковского, МФТИ. '''[[Media:Voron-2021-10-29.pdf|(PDF,&nbsp;1.8Мб)]]'''. '''[[Media:Voron-2021-10-29-eng.pdf|(PDF,&nbsp;1.8Мб, на английском)]]'''.
 +
* 24 августа 2021. Фундаментальные основы технологий ИИ. Международный военно-технический форум «АРМИЯ-2021». [https://www.rusarmyexpo.ru/business_program/business_program?id=42299 Секция №2: Отечественная научная школа и научно-технологический потенциал в области искусственного интеллекта. Вопросы подготовки кадров.] '''[[Media:Voron-2021-08-24.pdf|(PDF,&nbsp;3.9Мб)]]'''.
 +
* 8 июля 2021. Обзор оптимизационных задач машинного обучения. [https://cmcagu.ru/?p=5076 Школа по современной комбинаторике и теории игр], Кавказский математический центр Адыгейского государственного университета. '''[[Media:Voron-2021-07-08.pdf|(PDF,&nbsp;4.4Мб)]]'''.
 +
* 10 июня 2021. Оценивание рисков распространения эпидемии по графу контактов методами имитационного моделирования и машинного обучения. [https://miem.hse.ru/fitm/announcements/473030549.html Круглый стол «Компьютерные симуляции в исследовании макроэкономических процессов»]. '''[[Media:Voron-2021-06-10.pdf|(PDF,&nbsp;1.2Мб)]]'''. '''[https://youtu.be/m45NCn6v5yE?t=14417 Видеозапись]'''.
 +
* 28 мая 2021. Искусственный интеллект в цифровых гуманитарных исследованиях. Международный коллоквиум «Искусственный интеллект. Гуманитарные науки. Концепция ЮНЕСКО» на базе НГЛУ. '''[[Media:Voron-2021-05-28.pdf|(PDF,&nbsp;3.7Мб)]]'''. '''[https://youtu.be/mhOgpla-RaU?t=4413 Видеозапись]'''.
 +
* 16 мая 2021. Концепция ЦИфровой ПлатФормы «ЦИПФ» для управления социальной и политической активностью молодежи. [https://youthscienceforum.mmco-expo.ru/program/bolshie-dannye-i-obshchestvo-vozmozhnosti-i-vyzovy-dlya-molodezhi Российский форум «Молодёжь и наука»], Университет Лобачевского, Нижний Новгород. '''[[Media:Voron-2021-05-16.pdf|(PDF,&nbsp;1.0Мб)]]'''. '''[https://youtu.be/mbjIJ-N5bK0?t=2474 Видеозапись]'''.
 +
* 27 апреля 2021. Задачи и технологии понимания естественного языка: искусственный интеллект в помощь естественному. [https://summit.siriusconf.ru/2021 Саммит молодых ученых и инженеров «Большие вызовы для общества, государства и науки»]. Университет Сириус, Сочи. '''[[Media:Voron-2021-04-27.pdf|(PDF,&nbsp;2.2Мб)]]'''. '''[https://youtu.be/N_Yf_vNqmcA?t=73 Видеозапись]'''.
 +
* 8 апреля 2021. Тематическое моделирование текстовых коллекций и транзакционных данных. '''[[Media:Voron-2021-04-08.pdf|(PDF,&nbsp;9.4Мб)]]'''.
 +
* 31 марта 2021. Искусственный интеллект против фейков и политики постправды: типология задач и подходов. Международная конференция [https://data-fusion.ru DataFusion-2021]. '''[[Media:Voron-2021-03-31.pdf|(PDF,&nbsp;1.2Мб)]]'''. '''[https://youtu.be/y3XmFHi2OtQ?t=19727 Видеозапись]'''.
 +
* 19 февраля 2021. Байесовская и классическая регуляризация в вероятностном тематическом моделировании. [https://www.nsu.ru/n/mca/researchgroups/nauchno-obrazovatelnye-seminary Научно-образовательный семинар «Актуальные проблемы прикладной математики»] Новосибирского Государственного Университета. '''[[Media:Voron-2021-02-19.pdf|(PDF,&nbsp;2.3Мб)]]'''. '''[https://www.youtube.com/watch?v=MhNbccnVk5Y Видеозапись]'''.
 +
* 4 февраля 2021. Фейковые новости и другие типы потенциально опасного дискурса: типология, подходы, датасеты, соревнования. OpenTalks.AI. '''[[Media:Voron-2021-OpenTalksAI.pdf|(PDF,&nbsp;1.2Мб)]]'''.
 +
* 8 декабря 2020. Десять открытых проблем вероятностного тематического моделирования . [[Интеллектуализация обработки информации (конференция)]] '''[[Media:vorontsov-idp-2020.pdf|(PDF,&nbsp;1.2&nbsp;МБ)]]'''. '''[https://youtu.be/OWOPeptMjbI?t=1300 Видеозапись]'''.
 +
* 4 декабря 2020. О методологии машинного обучения. [http://hist.msu.ru/about/gen_news/rss/63131/ Исторические исследования в контексте науки о данных: информационные ресурсы, аналитические методы и цифровые технологии]. '''[[Media:Voron-2020-12-04.pdf|(PDF,&nbsp;3.9Мб)]]'''. '''[https://youtu.be/l8Yj6i0X91I?t=400 Видеозапись]'''.
 +
* 12 ноября 2020. Искусственный интеллект и машинное обучение. В рамках мастер-класса «Машинное обучение и искусственный интеллект в инновационных проектах, лекция и разбор кейсов участников в интерактивном режиме». Университет 2030. '''[[Media:Voron-2020-un2035.pdf|(PDF,&nbsp;2.6Мб)]]'''.
 +
* 23–29 августа 2020. Мини-курс «Обзор задач оптимизации в машинном обучении». [https://ssopt.org/ Традиционная Школа «Управление, информация и оптимизация»], Образовательный центр «Сириус», Сочи. Лекция 1: обучаемые модели распространения риска на графе '''[[Media:Voron-2020-ssopt-covid.pdf|(PDF,&nbsp;0.9Мб)]]'''. Лекция 2: постановки задач оптимизации в машинном обучении '''[[Media:Voron-2020-ssopt-ml.pdf|(PDF,&nbsp;1.7Мб)]]'''. Лекция 3: тематическое моделирование текстовых и транзакционных данных '''[[Media:Voron-2020-ssopt-tm.pdf|(PDF,&nbsp;3.5Мб)]]'''.
 +
* 3 июня 2020. Обзор постановок оптимизационных задач машинного обучения. [http://www.mathnet.ru/php/conference.phtml?confid=1794 Общероссийский семинар по оптимизации]. '''[http://www.mathnet.ru/PresentFiles/27231/voron2020_06_03_opt.pdf (PDF,&nbsp;1.9&nbsp;МБ)]'''. '''[https://youtu.be/tX_MeIbfEmw Видеозапись]'''.
 +
* 26 марта 2020. Методология машинного обучения: постановки оптимизационных задач. Лекция в МФТИ. '''[[Media:voron2020ml-opt.pdf|(PDF,&nbsp;1.7&nbsp;МБ)]]'''. '''[https://drive.google.com/file/d/1erE1dNhTPGbySjNNnxEI4Zt62WlCuIRH/view Видеозапись]'''.
 +
* 19 марта 2020. История машинного обучения. Лекция в МФТИ. '''[[Media:voron2020ml-history.pdf|(PDF,&nbsp;5.4&nbsp;МБ)]]'''. '''[https://drive.google.com/file/d/1bYsWrLuT5rFMwkTtDgOUGNJP-pAkSxwr/view Видеозапись]'''.
 +
* 26 февраля 2020. Вероятностное тематическое моделирование больших текстовых коллекций и транзакционных данных. [https://asvk.cs.msu.su/node/288 Научный семинар кафедры АСВК ВМК МГУ]. '''[[Media:voron20seminar-asvk.pdf|(PDF,&nbsp;2.3&nbsp;МБ)]]'''.
 +
* 5 декабря 2019. Моделирование и искусственный интеллект: технологии, мифы, приоритеты. [https://www2.deloitte.com/ru/ru/pages/financial-services/events/biznes-na-100.html Конференция «Бизнес на 100%: операционная эффективность»]. '''[[Media:voron19business100.pdf|(PDF,&nbsp;1.3&nbsp;МБ)]]'''.
 +
* 26 ноября 2019. Задачи и методы автоматического анализа текстов в разведочном информационном поиске. [[Математические методы распознавания образов (конференция)]]. '''[[Media:voron19mmpr.pdf|(PDF,&nbsp;3.8&nbsp;МБ)]]'''.
 +
* 24 октября 2019. [https://www.human-machine.ai «Человек и Машина» — конференция о том, как люди учат машины разговаривать и понимать смыслы]. Мастерская знаний: машина, которая ничего не понимает, но учит людей приобретать профессиональные знания '''[[Media:voron-2019-10-24-human-machine.pdf|(PDF,&nbsp;2.0&nbsp;МБ)]]'''.
 +
* 23 октября 2019. [https://openinnovations.ru Форум Инновационного развития], Сколково. [https://raif.jet.su RAIF 2019], секция [https://openinnovations.ru/program/session/122 Natural Language Processing и осознанный диалог: распознать, понять, ответить]. Мастерская знаний: поисково-рекомендательная система для систематизации профессионального контента '''[[Media:voron-2019-10-23-raif.pdf|(PDF,&nbsp;1.9&nbsp;МБ)]]'''.
 +
* 21 октября 2019. [https://mipt.ru/events/mezhpredmetnyy_seminar_ai-mipt_na_temu_-bigdata_approaches_in_genetics_and_brain_imaging_of_complex_ NORMENT (Norwegian Centre for Mental Disorders Research) seminar in MIPT], Moscow. Applications of topic modeling and non-negative matrix factorization '''[[Media:voron-2019-10-23-mipt-norment.pdf|(PDF,&nbsp;2.2&nbsp;МБ)]]'''.
 +
* 18 октября 2019. Открытая лекция [https://vk.com/growth.mipt AI Business Course, Физтех.Рост]. О [http://mipt.ai лаборатории машинного интеллекта МФТИ] '''[[Media:voron-2019-10-11-mil.pdf|(PDF,&nbsp;2.1&nbsp;МБ)]]'''. Тематический информационный поиск '''[[Media:voron-2019-10-18-tm-es.pdf|(PDF,&nbsp;2.7&nbsp;МБ)]]'''.
 +
* 11 октября 2019. Первый открытый семинар [http://mipt.ai лаборатории машинного интеллекта МФТИ]. О лаборатории '''[[Media:voron-2019-10-11-mil.pdf|(PDF,&nbsp;2.1&nbsp;МБ)]]'''. О разведочном поиске '''[[Media:voron-2019-10-11-es.pdf|(PDF,&nbsp;1.1&nbsp;МБ)]]'''. О тематическом моделировании '''[[Media:voron-2019-10-11-tm.pdf|(PDF,&nbsp;0.8&nbsp;МБ)]]'''. '''[https://www.youtube.com/watch?v=_rJmTI8toBQ Видеозапись]'''.
 +
* 11 октября 2019. Искусственный интеллект и машинное обучение. Лекция в Высшей школе системного инжиниринга МФТИ. '''[[Media:voron-2019-10-11-mipt.pdf|(PDF,&nbsp;3.7&nbsp;МБ)]]'''.
 +
* 28 сентября 2019. Искусственный интеллект и анализ данных – профессия будущего. [http://foresight.itteachers.ru Форсайт-сессия учителей информатики «Взгляд в будущее»] '''[[Media:voron-2019-09-28-temocenter-intro.pdf|(PDF,&nbsp;2.3&nbsp;МБ)]]'''. Примеры занятий по машинному обучению со школьниками: о тестах Бонгарда '''[[Media:voron-2019-09-28-temocenter-bongard.pdf|(PDF,&nbsp;1.0&nbsp;МБ)]]'''; кружок для школьников в МФТИ '''[[Media:voron-2019-09-28-temocenter-ecg.pdf|(PDF,&nbsp;3.0&nbsp;МБ)]]'''; отчёт по проекту в Сочи.Сириус '''[[Media:voron-2019-09-28-temocenter-sirius.pdf|(PDF,&nbsp;1.0&nbsp;МБ)]]'''.
 +
* 20 сентября 2019. Тематические векторные представления текста и разведочный информационный поиск. [http://www.mathnet.ru/php/conference.phtml?option_lang=rus&eventID=31&confid=965 Математический кружок школы ПМИ МФТИ]. '''[[Media:voron-2019-09-20-mipt.pdf|(PDF,&nbsp;2.9&nbsp;МБ)]]'''.
 +
* 19 сентября 2019. Искусственный интеллект на пальцах. [http://legalai.ru Искусственный интеллект в юридической практике]. '''[[Media:voron-2019-09-19-legalai.pdf|(PDF,&nbsp;1.9&nbsp;МБ)]]'''. '''[https://youtu.be/fYG5TJ2-A4I?t=30 Видеозапись]'''
 +
* 11 июля 2019. От AI-хайпа к ML-технологиям. [https://ostrov.2035.university Образовательный интенсив «Остров 10-22»]. '''[[Media:voron-2019-07-11-ostrov.pdf|(PDF,&nbsp;2.6&nbsp;МБ)]]'''.
 +
* 24 июня 2019. Искусственный интеллект и машинное обучение. Лекция в Высшей школе системного инжиниринга МФТИ. '''[[Media:voron-2019-06-24-mipt.pdf|(PDF,&nbsp;3.7&nbsp;МБ)]]'''.
 +
* 11 мая 2019. BigARTM: от лего-конструктора тематических моделей к сервисам разведочного поиска. [http://datafest.ru DataFest-6]. '''[[Media:voron-2019-05-11-bigartm.pdf|(PDF,&nbsp;3.1&nbsp;МБ)]]'''. '''[https://youtu.be/jsiHaJwi40s?t=16971 Видеозапись]'''.
 +
* 16 апреля 2019. Тематические векторные представления текста: от «мешка слов» к моделям связного текста. [https://skroboforum.sk.ru Сколково.Роботикс]. '''[[Media:vorontsov-SkRobotics-2019.pdf|(PDF,&nbsp;3.3&nbsp;МБ)]]'''.
 +
* 4 февраля 2019. Машинный интеллект и умный информационный поиск. [https://mipt.ru/landing_pages/magistr/iprofi/ai.html Зимняя школа МФТИ по искусственному интеллекту]. '''[[Media:vorontsov-mipt-winter-school-2019.pdf|(PDF,&nbsp;3.1&nbsp;МБ)]]'''.
 +
* 31 октября 2018. Data Science: как наладить взаимодействие науки, бизнеса и образования. [https://events.sap.com/ru/data-halloween/ru/home Data Halloween —– конференция про возможности Data Science для бизнеса]. '''[[Media:vorontsov-sap-2018.pdf|(PDF,&nbsp;1.5&nbsp;МБ)]]'''.
 +
* 24 октября 2018. Машинное обучение для анализа текстов и сложно структурированных данных. О проектах лаборатории машинного интеллекта МФТИ. Вебинар в рамках подготовки к студенческой одимпиаде «Я профессионал». '''[[Media:vorontsov-yaprofi-2018.pdf|(PDF,&nbsp;2.3&nbsp;МБ)]]'''. '''[https://www.youtube.com/watch?v=LdmVJyaoOG4 Видеозапись]'''.
 +
* 23 октября 2018. Тематические векторные представления текстов, графов и транзакционных данных. [https://raif.jet.su/forum/ RAIF-2018: Russian Artificial Intelligence Forum] '''[[Media:vorontsov-raif-2018.pdf|(PDF,&nbsp;3.2&nbsp;МБ)]]'''.
 +
* 22 октября 2018. Тематические векторные представления текстов, графов и транзакционных данных. [http://orm.io.cs.msu.ru/ IX Московская международная конференция по Исследованию Операций (ORM-2018 Germeyer-100)] '''[[Media:vorontsov-corm-2018.pdf|(PDF,&nbsp;3.4&nbsp;МБ)]]'''. '''[http://www.mathnet.ru/php/presentation.phtml?option_lang=eng&presentid=22031 Видеозапись]'''.
 +
* 8 октября 2018. Тематические векторные представления текстов, графов и транзакционных данных. [[Интеллектуализация обработки информации (конференция)/2018]] '''[[Media:vorontsov-idp-2018.pdf|(PDF,&nbsp;3.7&nbsp;МБ)]]'''.
 +
* 28 сентября 2018. Технологии машинного обучения и обработки естественного языка для LegalTech. [http://legaltechexpert.ru/institute/2018/2 Программа «LegalTech директор»] '''[[Media:vorontsov-2018-legaltech-director.pdf|(PDF,&nbsp;2.2&nbsp;МБ)]]'''.
 +
* 15 сентября 2018. Визуализация в информационном поиске. [https://f-cc.org/vtlab Первая открытая лаборатория визуального мышления]. МФТИ. '''[[Media:voron-2018-09-15-vtlab.pdf|(PDF,&nbsp;6.3&nbsp;МБ)]]'''.
 +
* 11–12 июня 2018. Вероятностное тематическое моделирование: опыт построения прикладной теории. [https://sites.google.com/site/traditionalschool/ Традиционная Школа «Управление, информация и оптимизация»]. '''[[Media:Voron-2018-school-X.pdf|(PDF,&nbsp;8.5Мб)]]'''.
 +
* 22 мая 2018. Области использования машинного интеллекта. [http://school.soc-phys.ipu.ru Школа-семинар для молодых ученых «Основы социоинженерии»]. ИПУ РАН. '''[[Media:voron-2018-05-22-ipu.pdf|(PDF,&nbsp;2.5&nbsp;МБ)]]'''. '''[https://www.youtube.com/watch?v=S-RLBXpDeho Видеозапись]'''.
 +
* 18 мая 2018. The Problems, Methods and Limitations of Machine Intelligence: Mining Texts, Graphs and Hypergraphs. [http://ctqi.tilda.ws Cognitive Technologies and Quantum Intelligence Conference]. Saint Petersburg. '''[[Media:voron-2018-05-18-ctqi.pdf|(PDF,&nbsp;2.3&nbsp;МБ)]]'''.
 +
* 28 апреля 2018. Наука и бизнес в одном FLACONе: возгонка цифровой экономики. [http://datafest.ru DataFest-5]. '''[[Media:voron-2018-04-28-keynote.pdf|(PDF,&nbsp;1.2&nbsp;МБ)]]'''. '''[https://youtu.be/gFKHZXhFs48?t=1500 Видеозапись]'''.
 +
* 28 апреля 2018. Тематическое моделирование в BigARTM: новые возможности. [http://datafest.ru DataFest-5]. '''[[Media:voron-2018-04-28-bigartm.pdf|(PDF,&nbsp;5.9&nbsp;МБ)]]'''. '''[https://youtu.be/3Lxb-DqPtv4?t=6309 Видеозапись]'''.
 +
* 8 февраря 2018. Обработка естественного языка и понимание речи. [http://opentalks.ai Открытая конференция по искусственному интеллекту OpenTalks.AI-2018]. '''[[Media:voron-2018-02-08.pdf|(PDF,&nbsp;1.1&nbsp;МБ)]]'''.
 +
* 29 января 2018. Математические методы и прикладные задачи анализа текстов. [https://magistr.mipt.ru/ Зимняя физико-математическая школа МФТИ «Абсолютное будущее»]. '''[[Media:voron-2018-01-29.pdf|(PDF,&nbsp;2.1&nbsp;МБ)]]'''.
 +
* 23 января 2018. Машинное обучение в LegalTech: задачи, возможности, ограничения. [https://www.spiba.ru/ru/event/iskusstvennyj-intellekt-mechta-i-ili-koshmar-yurista/ Искусственный интеллект – мечта и/или кошмар юриста]. Семинар Санкт-Петербургской Международной Бизнес-Ассоциации (СПИБА). '''[[Media:voron-2018-01-23.pdf|(PDF,&nbsp;2.0&nbsp;МБ)]]'''.
 +
* 18 декабря 2017. Towards Interpretable Word Embeddings through Probabilistic Topic Modeling. [http://ai_forum.tilda.ws/ Korean-Russian Artificial Intelligence Workshop]. '''[[Media:voron-2017-12-18.pdf|(PDF,&nbsp;1.9&nbsp;МБ)]]'''.
 +
* 9 ноября 2017. Fast and Modular Regularized Topic Modeling. [http://fruct.org/conference21 The seminar on Intelligence, Social Media and Web (ISMW), Open Innovations Association FRUCT (Finnish-Russian University Cooperation in Telecommunications)]. Helsinki, Finland. '''[[Media:voron-2017-11-09.pdf|(PDF,&nbsp;1.5&nbsp;МБ)]]'''.
 +
* 4 ноября 2017. Введение в машинное обучение. [http://deepmipt.github.io/dlschl Школа глубокого обучения — кружок для старшеклассников], МФТИ. '''[[Media:voron17deepmipt-dlschl.pdf|(PDF,&nbsp;2.6&nbsp;МБ)]]'''. '''[https://www.youtube.com/watch?v=xg96a8UwBac Видеозапись]'''.
 +
* 16 октября 2017. Машинное обучение: шаг в цифровую экономику. [http://mipt.ru/education/departments/fpmi/news/ai_mipt AI@MIPT — открытый семинар по искусственному интеллекту в МФТИ]. '''[[Media:voron17ai-mipt.pdf|(PDF,&nbsp;4.4&nbsp;МБ)]]'''. '''[https://www.youtube.com/watch?v=H5waFQ1ARF8 Видеозапись]'''.
 +
* 10 октября 2017. Аддитивная регуляризация тематических моделей связного текста. [[Математические методы распознавания образов (конференция)]]. '''[[Media:voron17mmpr.pdf|(PDF,&nbsp;2.0&nbsp;МБ)]]'''.
 +
* 8 октября 2017. [http://www.msk.festivalnauki.ru/meropriyatie-festivalya/61162/analiz-dannyh-i-mashinnyy-intellekt-professii-budushchego Анализ данных и машинный интеллект - профессии будущего]. Фестиваль науки НАУКА 0+. Лекторий «Большие данные для школьников». '''[[Media:voron-2017-10-08.pdf|(PDF,&nbsp;2.0&nbsp;МБ)]]'''.
 +
* 5 октября 2017. Многокритериальный тематический анализ текстовых коллекций. [https://cs.hse.ru/colloquium Коллоквиум факультета компьютерных наук НИУ ВШЭ]. '''[[Media:voron-2017-10-05.pdf|(PDF,&nbsp;2.2&nbsp;МБ)]]'''. '''[https://www.youtube.com/watch?v=eJzNAhsbQNI Видеозапись]'''.
 +
* 4 октября 2017. Проблема определения числа тем в тематических моделях. [[Методы анализа текстов (спецсеминары, К.В. Воронцов)/2017-2018 год]]. '''[https://drive.google.com/file/d/0B2cCJQ2_aOwjZ3BoNnN6T3QtY3M/view (PDF,&nbsp;0.9&nbsp;МБ)]'''
 +
* 1 октября 2017. Интервью в рамках [https://github.com/Yorko/mlcourse_open открытого курса машинного обучения]. '''[https://www.youtube.com/watch?v=DR3mgnEKRgI Видеозапись]'''.
 +
* 25 сентября 2017. Искусственный интеллект и машинное обучение: практические шаги в цифровую экономику. Расширенное заседание Совета по законодательному обеспечению развития цифровой экономики при Председателе Государственной Думы Федерального Собрания Российской Федерации. '''[[Media:voron-2017-09-25.pdf|(PDF,&nbsp;1.6&nbsp;МБ)]]'''
 +
* 13 сентября 2017. Additive Regularization for Topic Modeling. [https://cs.hse.ru/en/big-data/bayeslab/announcements/208831540.html Mini-Workshop: Stochastic Processes and Probabilistic Models in Machine Learning]. '''[[Media:voron-2017-09-13.pdf|(PDF,&nbsp;1.7&nbsp;МБ)]]'''. '''[https://youtu.be/Vb8OyPzwTUo?t=2591 Video]'''.
 +
* 26 июля 2017. Тематический анализ записей разговоров контакт-центра. '''[[Media:Voron-2017-07-26-mipt.pdf|(PDF,&nbsp;2.1Мб)]]'''. '''[https://www.youtube.com/watch?v=CuR5GlQLHwM Видеозапись]'''. Летняя школа и хакатон [http://turing.tilda.ws DeepHack.Turing], МФТИ.
 +
* 26 июля 2017. Лекция 1: Методы анализа данных: машинное обучение в анализе текстов. '''[[Media:Voron-2017-07-26-hse-1.pdf|(PDF,&nbsp;2.5Мб)]]'''. '''[https://youtu.be/JA9v7UCpKqw Видеозапись]'''. Лекция 2: Тематический анализ текстов. '''[[Media:Voron-2017-07-26-hse-2.pdf|(PDF,&nbsp;6.3Мб)]]'''. '''[https://youtu.be/9rfFy_FHV3s Видеозапись]'''. Летняя школа [https://miem.hse.ru/clschool «Автоматическая обработка текстов и анализ данных»], НИУ ВШЭ.
 +
* 17–18 июня 2017. Оптимизация и регуляризация вероятностных тематических моделей. [https://sites.google.com/site/traditionalschool/ Традиционная Школа «Управление, информация и оптимизация»]. '''[[Media:Voron-2017-06-17-school-IX.pdf|(PDF,&nbsp;1.5Мб)]]'''. '''[[Media:Voron-2017-06-18-school-IX.pdf|(PDF,&nbsp;2.8Мб)]]'''. Машинное обучение, искусственный интеллекти экономика будущего '''[[Media:Voron-2017-06-19-school-IX.pdf|(PDF,&nbsp;2.5Мб)]].
 +
* 15 июня 2017. Статистические тесты для проверки однородности и воспроизводимости электрокардиосигналов. Конференция [http://www.vniim.ru/175-year.html 175 лет ВНИИМ]. '''[[Media:voron2017vniim175.pdf|(PDF,&nbsp;2.3&nbsp;МБ)]]'''.
 +
* 1 июня 2017. Тематический анализ текстов и технология BigARTM. Лекция в [http://newprolab.com/ru/bigdata NewProLab]. '''[[Media:voron2017newprolab.pdf|(PDF,&nbsp;5.5&nbsp;МБ)]]'''.
 +
* 4 мая 2017. История машинного обучения. Лекция в МФТИ. '''[[Media:voron2017ml-history.pdf|(PDF,&nbsp;5.1&nbsp;МБ)]]'''. '''[https://drive.google.com/file/d/0By4IPE_Y0aO6NDFvbVlnMEY2S3M/view Видеозапись]'''.
* 13 марта 2017. Технология информационного анализа электрокардиосигналов. «Гаджеты в медицине: перспективы использования, новые функции, техническое совершенствование, производство и финансирование». МГТУ имени Н.Э.Баумана. '''[[Media:voron-2017-03-13.pdf|(PDF,&nbsp;2.1&nbsp;МБ)]]'''.
* 13 марта 2017. Технология информационного анализа электрокардиосигналов. «Гаджеты в медицине: перспективы использования, новые функции, техническое совершенствование, производство и финансирование». МГТУ имени Н.Э.Баумана. '''[[Media:voron-2017-03-13.pdf|(PDF,&nbsp;2.1&nbsp;МБ)]]'''.
* 17 февраля 2017. Машинное обучение, искусственный интеллект и экономика будущего. '''[[Media:voron-2017-02-17.pdf|(PDF,&nbsp;1.2&nbsp;МБ)]]'''.
* 17 февраля 2017. Машинное обучение, искусственный интеллект и экономика будущего. '''[[Media:voron-2017-02-17.pdf|(PDF,&nbsp;1.2&nbsp;МБ)]]'''.
Строка 132: Строка 275:
* 17 сентября 2008. Презентация ресурса www.MachineLearning.ru в рамках международной конференции [[РОАИ|РОАИ-9-2008]], Нижний Новгород. '''[[Media:VoronBeam-PRIA-2008-ML.pdf|(PDF,&nbsp;285&nbsp;КБ, на&nbsp;английском)]]'''.
* 17 сентября 2008. Презентация ресурса www.MachineLearning.ru в рамках международной конференции [[РОАИ|РОАИ-9-2008]], Нижний Новгород. '''[[Media:VoronBeam-PRIA-2008-ML.pdf|(PDF,&nbsp;285&nbsp;КБ, на&nbsp;английском)]]'''.
* 13 июня 2008. [[Участник:Vokov/Вики-ресурс MachineLearning.RU: концепция и перспективы|Вики-ресурс MachineLearning.RU: концепция и перспективы]], круглый стол в рамках конференции [[ИОИ|ИОИ-2008]], Крым, Алушта. '''[[Media:VoronBeam-IOI-2008-ML.pdf|(PDF,&nbsp;198&nbsp;КБ)]]'''.
* 13 июня 2008. [[Участник:Vokov/Вики-ресурс MachineLearning.RU: концепция и перспективы|Вики-ресурс MachineLearning.RU: концепция и перспективы]], круглый стол в рамках конференции [[ИОИ|ИОИ-2008]], Крым, Алушта. '''[[Media:VoronBeam-IOI-2008-ML.pdf|(PDF,&nbsp;198&nbsp;КБ)]]'''.
-
* 12 июня 2008. Слабая вероятностная аксиоматика, оценки надёжности эмпирических предсказаний, расслоение и различность алгоритмов. Конференция [[ИОИ|ИОИ-2008]], Крым, Алушта. '''[[Media:VoronBeam-IOI-2008.pdf|(PDF,&nbsp;950&nbsp;КБ)]]'''
+
* 12 июня 2008. Слабая вероятностная аксиоматика, оценки надёжности эмпирических предсказаний, расслоение и различность алгоритмов. Конференция [[ИОИ|ИОИ-2008]], Крым, Алушта. '''[[Media:VoronBeam-IOI-2008.pdf|(PDF,&nbsp;950&nbsp;КБ)]]'''.
-
* 28 апреля 2008. [[Участник:Vokov/Некоторые задачи интеллектуального анализа данных (лекция)|О некоторых задачах интеллектуального анализа данных]] — одна лекция в рамках курса «Современные проблемы прикладной математики» для студентов 5 курса [[ВМиК МГУ]]. '''[[Media:VokovLectureMMP-2008.pdf|(PDF,&nbsp;764Кб)]]'''.
+
* 28 апреля 2008. [[Участник:Vokov/Некоторые задачи интеллектуального анализа данных (лекция)|О некоторых задачах интеллектуального анализа данных]] — одна лекция в рамках курса «Современные проблемы прикладной математики» для студентов 5 курса [[ВМК МГУ]]. '''[[Media:VokovLectureMMP-2008.pdf|(PDF,&nbsp;764Кб)]]'''.
-
* 28 апреля 2008. Ломоносовские чтения 2008. Оценки надёжности эмпирических предсказаний (комбинаторный подход). '''[[Media:VoronBeam2008-04-18.pdf|(PDF,&nbsp;804&nbsp;КБ)]]'''.
+
* 28 апреля 2008. Оценки надёжности эмпирических предсказаний (комбинаторный подход). Ломоносовские чтения 2008. '''[[Media:VoronBeam2008-04-18.pdf|(PDF,&nbsp;804&nbsp;КБ)]]'''.
 +
* 30 сентября 2007. Слабая вероятностная аксиоматика и надёжность эмпирических предсказаний. Конференция [[ММРО]]-13. '''[[Media:Voron-2013-mmro.pdf|(PDF,&nbsp;910&nbsp;КБ)]]'''.
* 20 august 2007. 7th Open German/Russian Workshop (OGRW-7) on Pattern Recognition and Image Understanding, Ettlingen, Germany. Combinatorial Approach to Generalization Bounds Tightening. '''[[Media:VoronBeam2007-08-20.pdf|(PDF,&nbsp;1.9&nbsp;МБ, на&nbsp;английском)]]'''.
* 20 august 2007. 7th Open German/Russian Workshop (OGRW-7) on Pattern Recognition and Image Understanding, Ettlingen, Germany. Combinatorial Approach to Generalization Bounds Tightening. '''[[Media:VoronBeam2007-08-20.pdf|(PDF,&nbsp;1.9&nbsp;МБ, на&nbsp;английском)]]'''.
-
* 5 ноября 2005. [[ММРО]]-12. Измерение локальной эффективной функции роста в задачах поиска логических закономерностей. '''[[Media:Voron-MMPO12-present.pdf|(PDF,&nbsp;285&nbsp;КБ)]]''', вместе с речью — '''[[Media:Voron-MMPO12-speach.pdf|(PDF,&nbsp;308&nbsp;КБ)]]'''.
+
* 4 июня 2006. Прикладные исследования и разработки компании Форексис в области интеллектуального анализа данных. Конференция [[ИОИ|ИОИ-2006]], Крым, Алушта. '''[[Media:Voron-2006-ioi.pdf|(PDF,&nbsp;460&nbsp;КБ)]]'''
 +
* 5 ноября 2005. Измерение локальной эффективной функции роста в задачах поиска логических закономерностей. Конференция [[ММРО]]-12. '''[[Media:Voron-MMPO12-present.pdf|(PDF,&nbsp;285&nbsp;КБ)]]''', вместе с речью — '''[[Media:Voron-MMPO12-speach.pdf|(PDF,&nbsp;308&nbsp;КБ)]]'''.
 +
* 14 июня 2004. Комбинаторный подход к оцениванию качества алгоритмов, обучаемых по прецедентам. Конференция [[ИОИ|ИОИ-2004]], Крым, Алушта. '''[[Media:Voron-2004-ioi.pdf|(PDF,&nbsp;520&nbsp;КБ)]]'''.
 +
* 28 ноября 2003. Комбинаторные оценки качества обучения по прецедентам. Конференция [[ММРО]]-11. '''[[Media:Voron-2003-MMPO11.pdf|(PDF,&nbsp;680&nbsp;КБ)]]'''.
== Научные интересы==
== Научные интересы==
Строка 155: Строка 302:
=== Анализ текстов и информационный поиск ===
=== Анализ текстов и информационный поиск ===
-
{{main|Тематическое моделирование}}
 
-
{{main|BigARTM}}
 
-
Современные средства текстового поиска предназначены для ответов на короткие текстовые запросы. Этого не достаточно при поиске научной и профессиональной информации, в особенности новой или содержащей неизвестную пользователю терминологию. Поиск и мониторинг новых тенденций, терминологии, профессиональных сообществ всё ещё требует больших затрат времени и высокой квалификации. Существует барьер входа в новую профессиональную область. Ответ на вопрос «где находится передний край науки по данной теме» по-прежнему достигается, главным образом, путём личного общения, следовательно, субъективен и не общедоступен. Каким должен быть идеальный информационный поиск для учёного, преподавателя, специалиста? По всей видимости, единого ответа нет. Он должен быть разным. Одна из идей состоит в том, чтобы принимать в качестве запроса длинный текст — статью, фрагмент статьи или несколько статей, систематизировать результаты поиска в виде «дорожной карты», с помощью которой пользователю будет легче изучать данную область, выделять наиболее важные факты, готовить обзоры, в кратчайший срок накапливать собственную экспертизу в новой области знания. Миссия тематического поиска — ''Приблизить Знание к Пользователю''. Знание раскидано по Интернету. Необходимо его выделить, систематизировать по темам и представить в виде, более удобном и разнообразном, чем ранжированный список в рекламном обрамлении. Современные поисковые системы не решают эту задачу, так как они нацелены не на концентрацию Знания, а на удовлетворение потребительских интересов среднего пользователя. Система поиска научной и профессиональной информации — это инструмент интеллектуальной элиты общества, доступный всем. Наша исследовательская группа разрабатывает математические и информационные технологии для создания такой поисковой системы. Они основаны на вероятностном тематическом моделировании (Probabilistic Topic Modeling) и гибридных подходах, объединяющих статистические и лингвистические методы анализа текстов.
+
Современные средства текстового поиска предназначены для ответов на короткие текстовые запросы. Этого не достаточно при самообразовании и поиске научной информации, в особенности новой или содержащей неизвестную пользователю терминологию. Поиск и мониторинг новых тенденций, терминологии, профессиональных сообществ всё ещё требует больших затрат времени и высокой квалификации. Существует барьер входа в новую профессиональную область. Ответ на вопрос «где находится передний край науки по данной теме» по-прежнему достигается, главным образом, путём личного общения, следовательно, субъективен и не общедоступен. Наш подход к исследовательскому поиску (Exploratory Search) основан на концепции Мастерской Знаний. Это среда для поиска, анализа и переработки больших объёмов текстовой информации. В ней пользователь «мастерит» тематические текстовые подборки. Мастерская помогает ему расширять подборку, писать по ней рефераты и обзоры, выделять ключевые понятия и факты, систематизировать по темам, строить графические визуализации в виде «карты знаний». Миссия проекта — ''убирать барьеры между человеком и знанием''. В Мастерской применяются разнообразные технологии [[Обработка естественного языка|обработки естественного языка]] (NLP).
-
Вероятностное тематическое моделирование развивается с конца 90-х годов и находит всё больше неожиданных применений в областях, далёких от анализа текстов на естественных языках: при обработке изображений, видео, музыки, биомедицинских сигналов, нуклеотидных и аминокислотных последовательностей. Наши методы применимы и к этим задачам.
+
[[тематическое моделирование|Вероятностное тематическое моделирование]] (Probabilistic Topic Modeling) служит для выявления тематики больших текстовых коллекций и определения, к каким темам относится каждый текстовый документ. Также оно находит всё больше неожиданных применений в областях, далёких от анализа текстов: при обработке изображений и видео, звуковых и биомедицинских сигналов, нуклеотидных и аминокислотных последовательностей, пользовательских логов, финансовых и транзакционных данных.
'''Основные направления исследований и разработок'''
'''Основные направления исследований и разработок'''
* теория и методы [[ARTM|аддитивной регуляризации тематических моделей]] (ARTM);
* теория и методы [[ARTM|аддитивной регуляризации тематических моделей]] (ARTM);
* разработка [[BigARTM]] — библиотеки с открытым кодом для тематического моделирования больших коллекций;
* разработка [[BigARTM]] — библиотеки с открытым кодом для тематического моделирования больших коллекций;
-
* автоматическое выделения словосочетаний-терминов в текстах;
+
* разработка инструментальной среды для тематического моделирования [https://github.com/machine-intelligence-laboratory/TopicNet TopicNet];
 +
* разработка поисково-рекомендательной системы [https://scisearch.ai SciSearch.ai];
 +
* автоматическое выделения терминов-словосочетаний в текстах;
* тематические модели последовательного текста, тематической структуры и сегментации текстов;
* тематические модели последовательного текста, тематической структуры и сегментации текстов;
* мультимодальные тематические модели, классификация и регрессия с текстовыми и разреженными признаками;
* мультимодальные тематические модели, классификация и регрессия с текстовыми и разреженными признаками;
Строка 174: Строка 321:
* проблемы интерпретируемости тем;
* проблемы интерпретируемости тем;
* мультиязычные тематические модели;
* мультиязычные тематические модели;
-
* динамические тематические модели;
+
* тематические модели транзакционных данных или гиперграфов;
-
* тематические модели, учитывающие авторство и ссылки;
+
* анализ тональности и разделение тем на полярные мнения;
 +
* темпоральные (динамические) тематические модели;
 +
* автоматическое оценивание когнитивной сложности текста;
'''Прикладные задачи'''
'''Прикладные задачи'''
-
* выделение текстов заданной профессиональной области из больших коллекций (из Интернета);
+
* иерархическая тематическая модель научного и научно-популярного контента;
-
* иерархическая тематическая модель научной конференции или журнала;
+
* тематический исследовательский информационный поиск;
-
* динамическая тематическая модель коллекции пресс-релизов;
+
* полуавтоматическое реферирование тематических подборок научных статей;
-
* классификация текстов по жанрам;
+
* классификация и динамическая тематизация новостных потоков;
-
* диагностика заболеваний по текстовым представлениям электрокардиосигналов;
+
* модели символьной динамики для анализа дискретных временных рядов;
-
* тематическое моделирование процесса изучения иностранных слов пользователями мобильного приложения;
+
* тематическая кластеризация отзывов клиентов или опросов персонала;
 +
* классификация и сценарный анализ записей разговоров контактного центра;
 +
* выявления паттернов потребительского поведения клиентов по банковским транзакциям;
 +
* выявление видов экономической деятельности компаний по банковским транзакциям;
'''Ключевые слова'''
'''Ключевые слова'''
Строка 189: Строка 341:
'''Материалы и задания'''
'''Материалы и задания'''
-
* ''Разведочный информационный поиск''. [http://postnauka.ru/video/61910 Видеолекция на ПостНауке].
+
* ''[[Media:BigARTM-short-intro.pdf|Тематический анализ больших данных]]''. Краткое популярное введение в BigARTM.
-
* ''Тематическое моделирование на пути к разведочному информационному поиску''. Лекция на DataFest3, 10 сентября 2016. [https://habrahabr.ru/company/yandex/blog/313340 Стенограмма]. [https://www.youtube.com/watch?v=frLW8UVp_Ik&index=5&list=PLJOzdkh8T5kqfhWXhtYevTUHIvrylDLYu Видеозапись].
+
* ''Воронцов К. В.'' [[Media:voron17survey-artm.pdf|Вероятностное тематическое моделирование: теория, модели, алгоритмы и проект BigARTM]]. {{важно|— обновление 12.08.2020}}.
-
* ''Аддитивно регуляризованные тематические модели и разведочный поиск знаний в сети''. [https://sites.google.com/site/traditionalschool/ Традиционная Школа «Управление, информация и оптимизация»]. [http://www.youtube.com/watch?v=vSzsuq7uHPE Видеозапись]. [[Media:Voron-2015-06-19-school-VII.pdf|Презентация, 6.3Мб]].
+
* ''[http://postnauka.ru/video/61910 Разведочный информационный поиск]''. Видеолекция на ПостНауке.
-
* Рекламная презентация про тематическое моделирование. [[Media:Voron-PTM-short.pdf|Voron-PTM-short.pdf]] {{важно|— обновление 14.03.2016}}.
+
* ''[https://postnauka.ru/faq/86373 Тематическое моделирование]''. FAQ на ПостНауке, совместно с Корпоративным университетом Сбербанка.
-
* Тематическое моделирование в BigARTM: теория, алгоритмы, приложения. [[Media:Voron-2015-BigARTM.pdf|Voron-2015-BigARTM.pdf]].
+
* ''[https://habrahabr.ru/company/yandex/blog/313340 Тематическое моделирование на пути к разведочному информационному поиску]''. Лекция на DataFest3, 10 сентября 2016. [https://www.youtube.com/watch?v=frLW8UVp_Ik&index=5&list=PLJOzdkh8T5kqfhWXhtYevTUHIvrylDLYu Видеозапись].
* [[Media:voron-2016-task-PTM.pdf|Практическое задание, 2016]].
* [[Media:voron-2016-task-PTM.pdf|Практическое задание, 2016]].
* [[Коллекции документов для тематического моделирования]].
* [[Коллекции документов для тематического моделирования]].
 +
=== Фейковые новости и потенциально опасный дискурс ===
 +
 +
Постправда — это политика игнорирования фактов, использования фейковых новостей и приёмов пропаганды для формирования общественного мнения. Опасность постправды в том, что она навязывает социуму ложную картину мира и вынуждает людей принимать невыгодные для них решения. Блогосфера и социальные сети способствуют распространению фейков, лженаучных и мифологизированных представлений о мире. Средства массовой информации всё чаще используются для ведения информационных войн между корпорациями, государствами и идеологиями. Создание технологий, способных противостоять некритичному восприятию постправды, становится фундаментально важной задачей. Речь идёт об использовании технологий машинного обучения и автоматической обработки текстов для выявления манипулятивных приёмов, обмана, слухов, сплетен, мистификаций, противоречий, замалчивания, мифологизации и идеологизации. Мы называем эти явления потенциально опасным дискурсом. Их необходимо не только выявлять, но и оценивать степень их опасности, и на какие целевые аудитории направлено воздействие. Исследование носит междисциплинарный характер и предполагает тесное взаимодействие с лингвистами, журналистами, политологами, психологами.
 +
 +
'''Основные направления исследований и разработок''':
 +
* распознавание фейков в новостях;
 +
* распознавание пропаганды и приёмов информационной войны;
 +
* поиск противоречивых оценок и интерпретаций одних и тех же событий в различных источниках;
 +
* выявление манипулятивных приёмов в тексте;
 +
* классификация психоэмоциональных реакций целевых аудиторий на текстовое сообщение;
 +
* выявление конструктов мифологизированной/идеологизированной картины мира (мифологем/идеологем);
 +
* модели классификации текстов, пар текстов и фрагментов текстов по размеченным выборкам;
 +
* методы активного обучения для формирования неразмеченных выборок в краудсорсинге;
 +
* разработка открытых библиотек для выявления и анализа потенциально опасного дискурса.
 +
 +
'''Материалы'''
 +
* [[Media:Voron-2021-OpenTalksAI.pdf|Фейковые новости и другие типы потенциально опасного дискурса: типология, подходы, датасеты, соревнования]].
 +
* [https://www.sciencedirect.com/science/article/abs/pii/S095741741930661X ''Estela Saquete et al.'' (2020) Fighting post-truth using natural language processing: A review and open challenges].
 +
 +
=== Отслеживание контактов и оценка рисков инфицирования ===
 +
 +
В условиях пандемии перед производственными предприятиями и организациями встают вопросы: какие противоэпидемиологические мероприятия провести, чтобы минимизировать потери, избежать локдауна или максимально эффективно из него выйти. Кого в первую очередь тестировать, кого отправлять на карантин, кого вакцинировать, для всех ли сотрудников масочно-перчаточный режим строго обязателен. Ответы на эти вопросы не универсальны и зависят от структуры контактов на конкретном предприятии. В проекте используются данные о контактах, предоставленные компанией [http://softtree.ru Софттри] в рамках проекта [https://amuleit.ru Amuleit], для моделирования распространения инфекции по графу контактов и сравнения эффективности различных мероприятий. Для оценивания индивидуального риска инфицирования строятся вероятностные модели по обучающим выборкам, сформированным имитационной моделью распространения инфекции по графу контактов. Оценки индивидуального риска позволяют формировать приоритетные списки людей для тестирования и вакцинации, и тем самым существенно сокращать затраты и повышать эффективность противоэпидемических мероприятий.
 +
 +
'''Основные направления исследований и разработок''':
 +
* имитационное моделирование распространения инфекции по заданному динамическому графу контактов;
 +
* имитационное моделирование для генерирования динамического графа контактов;
 +
* вероятностные модели риска с прямым и обратным отслеживанием контактов;
 +
* методы инкрементного обучения вероятностной модели индивидуального риска инфицирования;
 +
* оценивание результативности противоэпидемиологических мероприятий с помощью имитационного моделирования.
 +
 +
'''Материалы'''
 +
* [[Media:Voron-2020-ssopt-covid.pdf|Обучаемые модели распространения риска на графе]].
 +
<!--
=== Диагностика заболеваний по ЭКГ ===
=== Диагностика заболеваний по ЭКГ ===
-
{{main|Технология информационного анализа электрокардиосигналов}}
 
-
Все знают, что по электрокардиограмме можно ставить диагнозы сердечно-сосудистых заболеваний. Профессором д.м.н. В.М.Успенским предложен новый метод диагностики, позволяющий диагностировать широкий спектр заболеваний внутренних органов по ЭКГ. Многие болезни сказываются на работе сердца задолго до проявления клинических симптомов, что позволяет использовать ЭКГ для ранней диагностики. За 15 лет применения этой технологии накоплена обучающая выборка по двадцати тысячам больных и нескольким десяткам заболеваний. Вычислительные эксперименты подтверждают, что диагностика широкого спектра заболеваний по одной ЭКГ с использованием методов машинного обучения может достигать удивительной точности. Наша научная группа занимается всесторонней статистической экспертизой этого метода диагностики и разработкой новых принципов анализа дискретизированных биомедицинских сигналов. В частности, важным направлением является применение тематического моделирования и методов компьютерной лингвистики. Фактически, речь идёт о поиске оптимальной реконструкции (восстановлении синтаксиса и семантики) языка, порождаемого протекающими в организме человека сложнейшими физиологическими процессами, и при этом несущего значимую диагностическую информацию о состоянии здоровья человека.
+
Все знают, что по электрокардиограмме можно ставить диагнозы сердечно-сосудистых заболеваний. Профессором д.м.н. В.М.Успенским предложена [[технология информационного анализа электрокардиосигналов]], позволяющая диагностировать широкий спектр заболеваний внутренних органов по ЭКГ. Многие болезни сказываются на работе сердца задолго до проявления клинических симптомов, что позволяет использовать ЭКГ для ранней диагностики. За 15 лет применения этой технологии накоплена обучающая выборка по двадцати тысячам больных и нескольким десяткам заболеваний. Вычислительные эксперименты подтверждают, что диагностика широкого спектра заболеваний по одной ЭКГ с использованием методов машинного обучения может достигать удивительной точности. Наша научная группа занимается всесторонней статистической экспертизой этого метода диагностики и разработкой новых принципов анализа дискретизированных биомедицинских сигналов. В частности, важным направлением является применение тематического моделирования и методов компьютерной лингвистики. Фактически, речь идёт о поиске оптимальной реконструкции (восстановлении синтаксиса и семантики) языка, порождаемого протекающими в организме человека сложнейшими физиологическими процессами, и при этом несущего значимую диагностическую информацию о состоянии здоровья человека.
'''Основные направления исследований и разработок''':
'''Основные направления исследований и разработок''':
Строка 209: Строка 393:
* исследование переобучения диагностических моделей.
* исследование переобучения диагностических моделей.
-
'''Конкурсное задание на VI Традиционной молодёжной летней школе «Управление, информация и~оптимизациия» 26 июня 2014г.'''
+
'''Конкурсное задание на VI Традиционной молодёжной летней школе «Управление, информация и оптимизациия» 26 июня 2014г.'''
* [[Media:Voron-2014-06-26-school-VI.pdf|Презентация на ТМШ, 26 июня 2014, 1.8Мб]].
* [[Media:Voron-2014-06-26-school-VI.pdf|Презентация на ТМШ, 26 июня 2014, 1.8Мб]].
* [[Media:School-VI-2014-task-3.rar|Данные для задания на ТМШ 2014]].
* [[Media:School-VI-2014-task-3.rar|Данные для задания на ТМШ 2014]].
Строка 224: Строка 408:
Можно использовать только эталонные, можно пробовать их перемешивать.
Можно использовать только эталонные, можно пробовать их перемешивать.
В каждом файле первый столбец содержит метки классов (0-здоров, 1-болен), следующие 216 столбцов - значения признаков.
В каждом файле первый столбец содержит метки классов (0-здоров, 1-болен), следующие 216 столбцов - значения признаков.
 +
-->
=== Теория обобщающей способности ===
=== Теория обобщающей способности ===
-
{{main|Комбинаторная теория переобучения (виртуальный семинар)}}
+
 
Проблема [[обобщающая способность|обобщающей способности]] является ключевой и в то же время наиболее сложной в машинном обучении. Её даже выделяют в отдельную дисциплину — [[Теория вычислительного обучения|теорию вычислительного обучения]].
Проблема [[обобщающая способность|обобщающей способности]] является ключевой и в то же время наиболее сложной в машинном обучении. Её даже выделяют в отдельную дисциплину — [[Теория вычислительного обучения|теорию вычислительного обучения]].
Если алгоритм, восстанавливающий некоторую неизвестную зависимость, построен по конечной [[обучающая выборка|обучающей выборке]] [[прецедент]]ов, то как предсказать качество его работы на контрольной выборке, состоящей из новых прецедентов?
Если алгоритм, восстанавливающий некоторую неизвестную зависимость, построен по конечной [[обучающая выборка|обучающей выборке]] [[прецедент]]ов, то как предсказать качество его работы на контрольной выборке, состоящей из новых прецедентов?
Строка 275: Строка 460:
* разработка методики тестирования и анализа обобщающей способности для [[Полигон алгоритмов|«Полигона алгоритмов классификации»]].
* разработка методики тестирования и анализа обобщающей способности для [[Полигон алгоритмов|«Полигона алгоритмов классификации»]].
-
'''Публикации:'''
+
'''Материалы:'''
 +
* ''Воронцов К. В.'' [[Media:Voron-2011-tnop.pdf|Теория надёжности обучения по прецедентам]]. Курс лекций ВМК МГУ и МФТИ. 2011.
* {{П:Воронцов 2010 Комбинаторная теория}}
* {{П:Воронцов 2010 Комбинаторная теория}}
-
 
+
* [[Комбинаторная теория переобучения (виртуальный семинар)]]
-
Лучшее изложение с добавлением последних результатов:
+
-
* ''Воронцов К. В.'' [[Media:Voron-2011-tnop.pdf|Теория надёжности обучения по прецедентам]]. Курс лекций ВМК МГУ и МФТИ. 2011.
+
'''Ключевые слова:'''
'''Ключевые слова:'''
Строка 285: Строка 469:
=== Комбинаторная (перестановочная) статистика ===
=== Комбинаторная (перестановочная) статистика ===
-
{{main|Слабая вероятностная аксиоматика}}
+
 
Это направление логично вытекает из предыдущего и является его обобщением.
Это направление логично вытекает из предыдущего и является его обобщением.
Оказывается, многие фундаментальные факты теории вероятностей и математической статистики можно переформулировать и доказать, не опираясь на колмогоровскую аксиоматику, то есть не используя теорию меры, и даже не употребляя само понятие вероятности.
Оказывается, многие фундаментальные факты теории вероятностей и математической статистики можно переформулировать и доказать, не опираясь на колмогоровскую аксиоматику, то есть не используя теорию меры, и даже не употребляя само понятие вероятности.
Строка 317: Строка 501:
=== Прогнозирование объёмов продаж ===
=== Прогнозирование объёмов продаж ===
-
{{main|Прогнозирование объёмов продаж}}
 
-
:''Видеолекция на ПостНауке:'' [http://postnauka.ru/video/59633 Математические методы прогнозирования объемов продаж].
 
Задачи прогнозирования объёмов продаж в сетях супермаркетов характеризуются
Задачи прогнозирования объёмов продаж в сетях супермаркетов характеризуются
Строка 334: Строка 516:
* адаптивные методы квантильной регрессии;
* адаптивные методы квантильной регрессии;
* поиск взаимозаменяемых товаров, анализ и прогнозирование каннибализации брендов.
* поиск взаимозаменяемых товаров, анализ и прогнозирование каннибализации брендов.
 +
 +
'''Материалы:'''
 +
* ''Видеолекция на ПостНауке:'' [http://postnauka.ru/video/59633 Математические методы прогнозирования объемов продаж].
'''Ключевые слова:'''
'''Ключевые слова:'''
Строка 435: Строка 620:
'''Семинары'''
'''Семинары'''
<!----* [[Проблемы обобщающей способности алгоритмов классификации, регрессии и прогнозирования (спецсеминар К. В. Воронцова, ВМК МГУ)]]--->
<!----* [[Проблемы обобщающей способности алгоритмов классификации, регрессии и прогнозирования (спецсеминар К. В. Воронцова, ВМК МГУ)]]--->
 +
* [[Методы анализа текстов (спецсеминары, К.В. Воронцов)/2017-2018 год]]
* [[Задачи анализа данных в бизнес-аналитике (семинар К. В. Воронцова)]]
* [[Задачи анализа данных в бизнес-аналитике (семинар К. В. Воронцова)]]
* [[Семинар К. В. Рудакова]] — регулярный '''не виртуальный''' семинар (следите за объявлениями!)
* [[Семинар К. В. Рудакова]] — регулярный '''не виртуальный''' семинар (следите за объявлениями!)
Строка 442: Строка 628:
* [[Media:Voron05latex.pdf|LaTeX2e в примерах]]. — 2005. — 56&nbsp;c.
* [[Media:Voron05latex.pdf|LaTeX2e в примерах]]. — 2005. — 56&nbsp;c.
* [[Media:Voron-ML-1.pdf|Теория обучения машин]]. Первый семестр. Курс лекций ВМК МГУ и МФТИ.
* [[Media:Voron-ML-1.pdf|Теория обучения машин]]. Первый семестр. Курс лекций ВМК МГУ и МФТИ.
-
* [[Media:Voron-2011-tnop.pdf|Теория надёжности обучения по прецедентам]]. Курс лекций ВМК МГУ и МФТИ.
+
* [[Media:Voron-2011-tnop.pdf|Теория надёжности обучения по прецедентам]]. 2011. Курс лекций ВМК МГУ и МФТИ.
-
* [[Media:Voron-2013-ptm.pdf|Вероятностное тематическое моделирование]]. 2013.
+
* [[Media:voron17survey-artm.pdf|Обзор вероятностных тематических моделей]]. 2020.
-
* [[Media:Voron-2015-BigARTM.pdf|Тематическое моделирование в BigARTM: теория, алгоритмы, приложения]]. 2015.
+
'''Всё остальное'''
'''Всё остальное'''
Строка 450: Строка 635:
* [[Участник:Vokov/Publications|Publications of Konstantin Vorontsov in English]] — список публикаций на английском языке.
* [[Участник:Vokov/Publications|Publications of Konstantin Vorontsov in English]] — список публикаций на английском языке.
-
== Софт ==
+
== Софт и проекты ==
-
* [[ChartLib]] — Библиотека деловой и научной графики. Страница: [http://www.ccas.ru/voron/chartlib.html ChartLib]. Документация: [http://www.ccas.ru/frc/chartlive/intro.html]
+
* '''[[ChartLib]] — Библиотека деловой и научной графики''' (1998-2008)
Удобный инструмент для аналитических исследований, генерации графиков в Internet, подготовки отчетов, выполнения курсовых и дипломных работ, встраивания графиков в приложения на Delphi и C#.
Удобный инструмент для аналитических исследований, генерации графиков в Internet, подготовки отчетов, выполнения курсовых и дипломных работ, встраивания графиков в приложения на Delphi и C#.
Имеет собственный формат входных данных CHD (CHart Description), позволяющий описывать как таблицы данных, так и внешний вид графика. Поддерживается более 150 команд, более 50 свойств точек графика, имеется встроенный калькулятор арифметических выражений.
Имеет собственный формат входных данных CHD (CHart Description), позволяющий описывать как таблицы данных, так и внешний вид графика. Поддерживается более 150 команд, более 50 свойств точек графика, имеется встроенный калькулятор арифметических выражений.
Графики могут быть выведены в окно прикладной программы, на принтер, в буфер обмена, в файлы графических форматов BMP, EMF, PNG, JPEG, GIF. Имеется программа chdView.exe для просмотра CHD-файлов.
Графики могут быть выведены в окно прикладной программы, на принтер, в буфер обмена, в файлы графических форматов BMP, EMF, PNG, JPEG, GIF. Имеется программа chdView.exe для просмотра CHD-файлов.
 +
:Страница: [http://www.ccas.ru/voron/chartlib.html ChartLib]
 +
:Документация: [http://www.ccas.ru/frc/chartlive/intro.html на сайте ВЦ РАН (надо вручную переключиться на KOI8-R)]
-
* [[BigARTM]] — Открытая библиотека тематического моделирования. Страница: [https://github.com/bigartm github.com/bigartm]. Документация: [http://bigartm.org bigartm.org]
+
* '''[[BigARTM]] — Открытая библиотека тематического моделирования''' (текущий проект)
Параллельная распределённая реализация методов вероятностного тематического моделирования на основе [[АРТМ|аддитивной регуляризации]].
Параллельная распределённая реализация методов вероятностного тематического моделирования на основе [[АРТМ|аддитивной регуляризации]].
Реализация ядра библиотеки на С++, интерфейсы на C++, Python.
Реализация ядра библиотеки на С++, интерфейсы на C++, Python.
Позволяет добавлять новые регуляризаторы и метрики качества.
Позволяет добавлять новые регуляризаторы и метрики качества.
-
Разработкой руководит [[Участник:Фрей Александр|Александр Фрей]].
+
:Страница: [https://github.com/bigartm github.com/bigartm]
 +
:Документация: [http://bigartm.org bigartm.org]
 +
:Архитектор проекта [[Участник:Фрей Александр|Александр Фрей]]
 +
 
 +
* '''[[TopicNet]] — Открытая библиотека тематического моделирования под Python''' (текущий проект)
 +
 
 +
Верхнеуровневая обёртка над [[BigARTM]], упрощающая построение тематических моделей в прикладных проектах и автоматизирующая проведение вычислительных экспериментов по оптимизации моделей.
 +
:Страница: [https://github.com/machine-intelligence-laboratory/TopicNet github.com/machine-intelligence-laboratory/TopicNet]
 +
:Разработка [http://machine-intelligence.ru лаборатории машинного интеллекта МФТИ]
 +
 
 +
* '''[https://SciSearch.ai SciSearch.ai] — пилотный проект «Мастерской знаний» ''' (текущий проект)
 +
 
 +
Поисково-рекомендательная система для формирования и анализа тематических подборок англоязычных научных статей.
== Аспиранты и студенты ==
== Аспиранты и студенты ==
Строка 468: Строка 667:
|align="center"|'''Аспиранты'''
|align="center"|'''Аспиранты'''
|width="50"|
|width="50"|
-
|align="center"|'''ФУПМ МФТИ'''
+
|align="center"|'''МФТИ'''
|width="50"|
|width="50"|
-
|align="center"|'''ФИВТ МФТИ'''
+
|align="center"|'''МГУ'''
-
|width="50"|
+
-
|align="center"|'''ВМК МГУ'''
+
-
|width="50"|
+
-
|align="center"|'''ВШЭ'''
+
|-
|-
|valign="top"|
|valign="top"|
-
* [[Участник:Nastya Zukhba|Анастасия Зухба]]
+
<!---
* [[Участник:Romanenko|Алексей Романенко]]
* [[Участник:Romanenko|Алексей Романенко]]
-
* [[Участник:Sidious|Сергей Царьков]]
 
-
* [[Участник:Марина|Марина Дударенко]]
 
-
----
 
-
* [[Участник:Nkzh|Никита Животовский]]
 
* [[Участник:EvgSokolov|Евгений Соколов]]
* [[Участник:EvgSokolov|Евгений Соколов]]
-
* Шаура Ишкина
 
-
* Валентин Полежаев
 
-
* Антон Марценюк
 
-
----
 
-
* [[Участник:Angriff|Александр Романенко]]
 
-
* [[Участник:AnyaP|Анна Потапенко]]
 
* [[Участник:Peter Romov|Пётр Ромов]]
* [[Участник:Peter Romov|Пётр Ромов]]
* Виктор Кантор
* Виктор Кантор
-
----
 
-
* [[Участник: Celyh|Влада Целых]]
 
* [[Участник:Bunakov|Василий Бунаков]]
* [[Участник:Bunakov|Василий Бунаков]]
-
* Олег Найдин
+
* Шаура Ишкина
-
<!--* [[Участник:Tsyganova|Светлана Цыганова]]-->
+
-
<!--* Сергей Стенин-->
+
-
----
+
-
* [[Участник:Yashkov|Даниил Яшков]]
+
-
<!--* [[Участник:K.necludov|Кирилл Неклюдов]]-->
+
* Анжелика Сухарева
* Анжелика Сухарева
* Арина Агеева
* Арина Агеева
-
* Илья Ирхин
+
---->
-
* Виктор Булатов
+
* Александр Кузьмин
-
|
+
* Роман Дербаносов
-
|valign="top"|
+
-
* [[Участник:Iefimova|Ирина Ефимова]]
+
-
* [[Участник:Aignatov|Андрей Игнатов]]
+
----
----
 +
* Анастасия Янина
 +
<!--* Александр Корабельников-->
* Илья Жариков
* Илья Жариков
-
* Евгений Смирнов
 
----
----
-
* Анастасия Баяндина
+
* Юлиан Сердюк
-
* Дмитрий Федоряка
+
----
 +
* Василий Алексеев
 +
* Полина Потапова
 +
* Олег Сомов
 +
* Николай Герасименко
 +
* Кирилл Хрыльченко
 +
* Никита Юдин
 +
----
 +
* Дарья Соболева
 +
* Николай Скачков
 +
* Николай Герасименко
 +
* Кирилл Хрыльченко
|
|
|valign="top"|
|valign="top"|
-
* Александр Кузьмин
+
* Алексей Гришанов
-
* Макар Краснопёров
+
----
----
-
* Анастасия Янина
+
* Виктор Панкратов
-
* Иван Ивашковский
+
----
----
-
* Александр Дериглазов
+
* Иван Лукьяненко
-
* Александр Софиенко
+
-
* Владислав Батаев
+
|
|
|valign="top"|
|valign="top"|
-
* [[Участник:Mapishev|Мурат Апишев]]
+
* Максим Еремеев
-
* Андрей Шапулин
+
* Светлана Крыжановская
-
* Юлия Лукашкина
+
* Евгения Милюта
-
----
+
-
* [[Участник:Nchirkova|Надежда Чиркова]]
+
-
* Никита Шаповалов
+
-
* Влад Амелин
+
-
* Таснима Садекова
+
-
* Руслан Камалов
+
----
----
-
* Роза Айсина
+
* Арсений Веселов
-
* Владимир Полушин
+
-
* Артём Попов
+
----
----
-
* Дарья Соболева
+
* Анна Балакова
-
* Кругликов Николай
+
* Василий Висков
-
* Захаренко Вадим
+
* Евгений Косарев
-
|
+
* Сергей Артамонов
-
|valign="top"|
+
-
* Роман Дербаносов
+
-
* Илья Удалов
+
-
* Марат Ахматнуров
+
-
* Сергей Васильев
+
-
* Иван Зорин
+
-
* Илья Голубев
+
-
<!--* Никита Дойков -->
+
----
----
-
* Анастасия Тюрина
+
* Воробьев Сергей
 +
* Дзюба Мария
 +
* Морозов Ярослав
----
----
-
* Владимир Хаванских
+
* Авдеев Роман
 +
* Мелихов Дмитрий
 +
* Панин Никита
 +
* Черникова Полина
|}
|}
Строка 627: Строка 799:
# Евгений Смирнов. Суммаризация тем в вероятностном тематическом моделировании. 2016. ФУПМ МФТИ.
# Евгений Смирнов. Суммаризация тем в вероятностном тематическом моделировании. 2016. ФУПМ МФТИ.
# Светлана Шишковец. Аддитивная регуляризация наивного линейного байесовского классификатора. 2016. ФУПМ МФТИ.
# Светлана Шишковец. Аддитивная регуляризация наивного линейного байесовского классификатора. 2016. ФУПМ МФТИ.
 +
# Роза Айсина. [[Media:2017AysinaBsc.pdf|Тематическое моделирование финансовых потоков корпоративных клиентов банка по транзакционным данным]]. 2017. ВМК МГУ.
 +
# [[Участник:Arti lehtonen|Артём Попов]]. [[Media:2017PopovBsc.pdf|Регуляризация тематических моделей для векторных представлений слов]]. 2017. ВМК МГУ.
 +
# Владимир Полушин. [[Media:2017PolushinBsc.pdf|Тематические модели для ранжирования рекомендаций текстового контента]]. 2017. ВМК МГУ.
 +
# Владислав Батаев. Тематическая сегментация разговоров контактного центра. 2017. ФИВТ МФТИ.
 +
# Карен Манукян. Интеллектуальная диалоговая система для автоматизации деятельности контакт-центра. 2017. ФИВТ МФТИ.
 +
# Александр Софиенко. Классификация положительных и неразмеченных текстовых документов. 2017. ФИВТ МФТИ.
 +
# [[Участник:Fedimser|Дмитрий Федоряка]]. [[Media:fedoriaka17bsc.pdf|Технология интерактивной визуализации тематических моделей]]. 2017. ФУПМ МФТИ.
 +
# Ольга Цветкова. Анализ банковских транзакционных данных для выявления паттернов экономического поведения клиентов. 2017. ФУПМ МФТИ.
 +
# Виталий Малыгин. Формирование репрезентативных обучающих выборок. 2017. ФУПМ МФТИ.
 +
# Дарья Соболева. [[Media:soboleva18bsc.pdf|Языковое моделирование в задаче построения вопрос-ответной системы]]. 2018. ВМК МГУ.
 +
# Николай Кругликов. [[Media:kruglikov18bsc.pdf|Тематическое моделирование текстовых коллекций в диалоговых системах]]. 2018. ВМК МГУ.
 +
# Анастасия Фадеева. [[Media:fadeeva18bsc.pdf|Темпоральное моделирование новостных потоков]]. 2018. ФКН НИУ ВШЭ.
 +
# Мария Селезнёва. [[Media:Seleznova2018BachelorThesis.pdf|Построение и оценка качества гетерогенных иерархических тематических моделей]]. 2018. ФУПМ МФТИ.
 +
# Василий Алексеев. [[Media:Alekseev2018BachelorThesis.pdf|Внутритекстовая когерентность как мера интерпретируемости тематических моделей текстовых коллекций]]. 2018. ФУПМ МФТИ.
 +
# Антон Захаренков. [[Media:Zakharenkov2018BSthesis.pdf|Итеративный подбор коэффициентов регуляризации тематических моделей]]. 2018. ФУПМ МФТИ.
 +
# Даниил Фельдман. [[Media:feldman18bsc.pdf|Использование фактов для поиска мнений в новостях]]. 2018. ФУПМ МФТИ.
 +
# Филипп Никитин. [[Media:nikitin18bsc.pdf|Применение мультимодальных тематических моделей к анализу транзакционных данных]]. 2018. ФУПМ МФТИ.
 +
# Анастасия Павловская. [[Media:pavlovskaya18bsc.pdf|Тематическое моделирование в задаче классификации отзывов покупателей о работе и ассортименте продуктового магазина]]. 2018. ФУПМ МФТИ.
 +
# Николай Скачков. [[Media:skachkov19bsc.pdf|Тематико-стилистические векторные представления текстовых пользовательских запросов]]. 2019. ВМК МГУ.
 +
# Михаил Солоткий. [[Media:solotkiy19bsc.pdf|Вероятностные тематические модели на основе данных о со-встречаемости слов]]. 2019. ВМК МГУ.
 +
# Галина Фоминская. [[Media:fominskaya19bsc.pdf|Проблема несбалансированности тем в вероятностных тематических моделях]]. 2019. ВМК МГУ.
 +
# Николай Шаталов. [[Media:shatalov19bsc.pdf|Методы обучения без учителя для автоматического выделения составных терминов в текстовых коллекциях]]. 2019. ВМК МГУ.
 +
# Вадим Захаренко. Методы обнаружения новых тем в вероятностных тематических моделях. 2019. ВМК МГУ.
 +
# Анастасия Кряжова. [[Media:kryazhova19bsc.pdf|Методы оценивания семантической близости фраз для классификации текстовых сообщений]]. 2019. НИУ ВШЭ.
 +
# Анна Рогозина. [[Media:rogozina19bsc.pdf|Проверка гипотезы условной независимости для оценивания качества тематической кластеризации]]. 2019. ФУПМ МФТИ.
 +
# Евгений Козлинский. [[Media:kozlinskiy19bsc.pdf|Сегментация транзакционных данных розничных клиентов банка]]. 2019. ФУПМ МФТИ.
 +
# Вадим Кислинский. [[Media:kislinskiy19bsc.pdf|Построение мультимодальной рекомендательной системы]]. 2019. ФУПМ МФТИ.
 +
# Павел Плюснин. [[Media:plusnin19bsc.pdf|Итерационные методы балансировки тем в тематическом моделировании]]. 2019. ФУПМ МФТИ.
 +
# Максим Еремеев. [[Media:eremeev20bsc.pdf|Ранжирование текстовых документов на основе оценок когнитивной сложности текстов]]. 2020. ВМК МГУ.
 +
# Алексей Гришанов. [[Media:grishanov20bsc.pdf|Построение рекомендательной системы, основанной на обучении с подкреплением]]. 2020. ФУПМ МФТИ.
 +
# Вадим Новоселов. [[Media:Novoselov20bsc.pdf|Темпоральные тематические модели новостных потоков с возможностью обнаружения новых тем и событий]]. 2021. ВМК МГУ.
 +
# Виктор Панкратов. [[Media:Pankratov21bsc.pdf|Вероятностное тематическое моделирование несбалансированных текстовых коллекций]]. 2021. ФУПМ МФТИ.
 +
# Балакова Анна. [[Media:Balakova22bsc.pdf|Выявление поляризации мнений в новостных текстах методами обучения без учителя]]. 2022. ВМК МГУ.
 +
# Висков Василий. [[Media:Viskov22bsc.pdf|Методы обучения без учителя для выделения поляризаций в новостных потоках]]. 2022. ВМК МГУ.
 +
# Косарев Евгений. [[Media:Kosarev22bsc.pdf|Нейросетевые модели языка для выявления речевых манипуляций в новостных потоках]]. 2022. ВМК МГУ.
===Магистерские диссертации===
===Магистерские диссертации===
Строка 668: Строка 875:
# Кирилл Остапенко. Выявление случаев мошенничества в онлайн-играх методами машинного обучения. 2015. ФИВТ МФТИ.
# Кирилл Остапенко. Выявление случаев мошенничества в онлайн-играх методами машинного обучения. 2015. ФИВТ МФТИ.
# Виктор Булатов. [[Media:Bulatov-2016-ms.pdf|Использование графовой структуры в тематическом моделировании]]. 2016. ФИВТ МФТИ.
# Виктор Булатов. [[Media:Bulatov-2016-ms.pdf|Использование графовой структуры в тематическом моделировании]]. 2016. ФИВТ МФТИ.
-
# Илья Ирхин. [[Media:Irkhin-2016-ms.pdf|Сходимость численных методов вероятностного тематического моделирования]]. 2016. ФИВТ МФТИ.
+
# Илья Ирхин. [[Media:Irkhin2016msc.pdf|Сходимость численных методов вероятностного тематического моделирования]]. 2016. ФИВТ МФТИ.
# Анжелика Сухарева. Оценивание качества выделения терминов в задаче классификации текстовых документов. 2016. ФУПМ МФТИ.
# Анжелика Сухарева. Оценивание качества выделения терминов в задаче классификации текстовых документов. 2016. ФУПМ МФТИ.
# Евгения Вдовина. Отбор признаков для многоклассовой классификации символьных последовательностей. 2016. ФУПМ МФТИ.
# Евгения Вдовина. Отбор признаков для многоклассовой классификации символьных последовательностей. 2016. ФУПМ МФТИ.
 +
# [[Участник:Mapishev|Мурат Апишев]]. [[Media:Apishev2017MSc.pdf‎|Параллельная реализация аддитивно регуляризованного тематического моделирования и её применение для поиска этно-релевантного контента в социальных медиа]]. 2017. ВМК МГУ.
 +
# Юлия Лукашкина. [[Media:Lukashkina2017MSc.pdf‎|Оценивание устойчивости и полноты тематических моделей мультидисциплинарных текстовых коллекций]]. 2017. ВМК МГУ.
 +
# Андрей Шапулин. [[Media:Shapulin2017MSc.pdf‎|Классификация тем в вероятностных тематических моделях коллекций текстовых документов]]. 2017. ВМК МГУ.
 +
# Илья Голубев. Аддитивная регуляризация тематических моделей для выделения полных наборов тем в коллекциях текстовых документов. 2017. ФКН НИУ ВШЭ.
 +
# Роман Дербаносов. [[Media:Derbanosov2017MSc.pdf‎|Проблемы устойчивости и единственности стохастического матричного разложения]]. 2017. ФКН НИУ ВШЭ.
 +
# Илья Удалов. Библиотека с открытым исходным кодом для оптимизации и регуляризации линейных предсказательных моделей по большим выборкам данных. 2017. ФКН НИУ ВШЭ.
 +
# Ирина Ефимова. Иерархическая мультимодальная тематическая модель коллекции научно-популярных текстов. 2017. ФУПМ МФТИ.
 +
# Андрей Игнатов. [https://arxiv.org/abs/1704.02470 Улучшение качества цифровых снимков с помощью глубоких свёрточных нейронных сетей]. 2017. ФУПМ МФТИ.
 +
# Макар Краснопёров. Выделение именованных сущностей на основе текстов высокой похожести. 2017. ФИВТ МФТИ.
 +
# Александр Кузьмин. [[Media:Kuzmin2017MSc.pdf‎|Адаптивный выбор траектории регуляризации]]. 2017. ФИВТ МФТИ.
 +
# Руслан Камалов. [[Media:kamalov18msc.pdf‎|Нейросетевой подход к построению тематических моделей]]. 2018. ВМК МГУ.
 +
# Николай Попов. Гиперграфовые тематические модели транзакционных данных. 2018. ВМК МГУ.
 +
# Таснима Садекова. [[Media:sadekova18msc.pdf‎|Выделение мнений в тематических моделях новостных потоков]]. 2018. ВМК МГУ.
 +
# Никита Шаповалов. [[Media:shapovalov18msc.pdf‎|Интерпретируемые тематические модели новостных потоков для прогнозирования на финансовых рынках]]. 2018. ВМК МГУ.
 +
# Анастасия Янина. [[Media:ianina18msc.pdf‎|Тематический разведочный информационный поиск]]. 2018. ФИВТ МФТИ.
 +
# Илья Жариков. [[Media:Zharikov2018MasterThesis.pdf‎|Многомодальные тематические модели на гиперграфах]]. 2018. ФУПМ МФТИ.
 +
# Евгений Смирнов. [[Media:Smirnov2018MThesis.pdf‎|Тематическая сегментация диалогов контактного центра]]. 2018. ФУПМ МФТИ.
 +
# Роман Кулага. [[Media:KulagaMastersThesis.pdf|Классификация потока финансовых новостей с целью выявления динамики цен биржевых инструментов]]. 2018. ФУПМ МФТИ.
 +
# Артём Попов. [[Media:Popov19msc.pdf‎|Выделение множества тематик в неразмеченной коллекции диалогов]]. 2019. ВМК МГУ.
 +
# Вера Шишкина. [[Media:shishkina19msc.pdf|Тематическое моделирование финансовых потоков корпоративных клиентов банка по транзакционным данным]]. 2019. ФУПМ МФТИ.
 +
# Дарина Дементьева. [[Media:dementieva19msc.pdf|Агрегация и персонализация новостного текстового контента]]. 2019. ФУПМ МФТИ.
 +
# Пётр Остроухов. [[Media:ostroukhov19msc.pdf|Предобученные по Википедии тематические векторные представления слов]]. 2019. ФУПМ МФТИ.
 +
# Александр Никитин. [[Media:nikitin19msc.pdf|Иерархические тематические векторные представления слов в коллекциях текстов]]. 2019. НИУ ВШЭ.
 +
# Виктория Ходырева. [[Media:Khodyreva19msc.pdf|Автоматическое именование тем в вероятностном тематическом моделировании]]. 2019. ФКН НИУ ВШЭ.
 +
# Василий Алексеев. [[Media:Alekseev2020MSThesis.pdf|Поиск полного набора тем с помощью обучения нескольких тематических моделей]]. 2020. ФУПМ МФТИ.
 +
# Полина Потапова. [[Media:potapova20msc.pdf|Тематическое моделирование образовательных целей пользователей в системе дистанционного образования]]. 2020. ФУПМ МФТИ.
 +
# Даниил Фельдман. [[Media:Feldman2020MSThesis.pdf|Комбинирование фактов, семантических ролей и тональных слов в генеративной модели для поиска мнений]]. 2020. ФУПМ МФТИ.
 +
# Андрей Власов. [[Media:Vlasov2020MSThesis.pdf|Методы полуавтоматической суммаризации подборок научных статей]]. 2020. ФУПМ МФТИ.
 +
# Анастасия Павловская. [[Media:pavlovskaya20msc.pdf|Решение проблемы холодного старта при построении индивидуальной образовательной траектории с помощью тематического моделирования]]. 2020. ФИВТ МФТИ.
 +
# Олег Сомов. [[Media:somov20msc.pdf|Проектирование и разработка вопросно-ответной системы на основе графов знаний]]. 2020. ФИВТ МФТИ.
 +
# Кирилл Хрыльченко. [[Media:khrylchenko20msc.pdf|Обобщенные модальности в вероятностных тематических моделях для транзакционных данных]]. 2020. ВМК МГУ.
 +
# Никита Юдин. [[Media:yudin20msc.pdf|Вариационный вывод в нейронных стохастических дифференциальных уравнениях]]. 2020. ВМК МГУ.
 +
# Николай Герасименко. [[Media:gerasimenko20msc.pdf|Тематический поиск в коллекции юридических документов]]. 2020. МАИ.
 +
# Дарья Соболева. [[Media:soboleva21msc.pdf|Замена живой речи на синтетическое аудио для предсказания знаков пунктуации на устройстве пользователя]]. 2021. ВМК МГУ.
 +
# Николай Скачков. [[Media:skachkov20msc.pdf|Совместное обучение прямой и обратной модели машинного перевода]]. 2021. ВМК МГУ.
 +
# Вадим Кислинский. [[Media:kislinskiy21msc.pdf|Многокритериальная оптимизация в задаче персональных рекомендаций]]. 2021. ФУПМ МФТИ.
 +
# Евгений Козлинский. [[Media:kozlinskiy21msc.pdf|Методы тематической классификации коротких текстовых объявлений]]. 2021. ФУПМ МФТИ.
 +
# Анна Рогозина. [[Media:rogozina21msc.pdf|Обучение моделей распространения рисков по графам]]. 2021. ФУПМ МФТИ.
 +
# Крыжановская Светлана. [[Media:kryzhanovskaya22msc.pdf|Технология полуавтоматической суммаризации тематических подборок научных статей]]. 2022. ВМК МГУ.
 +
# Милюта Евгения. [[Media:miluta22msc.pdf|Языковые модели для обнаружения поляризации общественного мнения в новостном потоке]]. 2022. ВМК МГУ.
===Дипломные работы===
===Дипломные работы===
Строка 725: Строка 972:
# [[Участник:Tolstikhin|Илья Толстихин]]. [[Media:Tolstikhin2014phd.pdf|Неравенства концентрации вероятностной меры в трансдуктивном обучении и PAC-Байесовском анализе]]. ВЦ РАН. 2014.
# [[Участник:Tolstikhin|Илья Толстихин]]. [[Media:Tolstikhin2014phd.pdf|Неравенства концентрации вероятностной меры в трансдуктивном обучении и PAC-Байесовском анализе]]. ВЦ РАН. 2014.
# [[Участник:Riabenko|Евгений Рябенко]]. [[Media:Riabenko2014phd.pdf|Выбор функций потерь в задачах неотрицательного матричного разложения]]. ВЦ РАН. 2014.
# [[Участник:Riabenko|Евгений Рябенко]]. [[Media:Riabenko2014phd.pdf|Выбор функций потерь в задачах неотрицательного матричного разложения]]. ВЦ РАН. 2014.
 +
# [[Участник:Nkzh|Никита Животовский]]. [[Media:Zhivotovskiy2018phd.pdf|Минимаксные оценки риска в задачах статистического обучения]]. МФТИ, ИППИ РАН. 2018.
 +
# [[Участник:Настя Зухба|Анастасия Зухба]]. [[Media:Zukhba2018phd.pdf|Оценка вычислительной сложности задач отбора эталонных объектов и признаков]]. МФТИ. 2018.
 +
# Илья Трофимов. [http://www.frccsc.ru/diss-council/00207305/diss/list/trofimov_ie Разработка и обоснование методов параллельного покоординатного спуска для обучения обобщённых линейных моделей с регуляризацией]. ФИЦ ИУ РАН. 2019.
 +
# [[Участник:Anya|Анна Потапенко]]. [http://www.frccsc.ru/diss-council/00207305/diss/list/potapenko_aa Семантические векторные представления текста на основе вероятностного тематического моделирования]. ФИЦ ИУ РАН. 2019.
 +
# [[Участник:Mapishev|Мурат Апишев]]. [http://www.frccsc.ru/sites/default/files/docs/ds/002-073-05/diss/27-apishev/ds05-27-apishev_main.pdf Эффективная реализация алгоритмов тематического моделирования с аддитивной регуляризацией]. ФИЦ ИУ РАН. 2020.
 +
# Илья Ирхин. [http://www.frccsc.ru/sites/default/files/docs/ds/002-073-05/diss/29-irhin/ds05-29-irhin_main.pdf Единственность матричного разложения и сходимость регуляризованных алгоритмов в вероятностном тематическом моделировании]. ФИЦ ИУ РАН. 2020.
 +
# Виктор Булатов. [https://mipt.ru/upload/medialibrary/c25/bulatov_dissertation_topicnet_signature.pdf Методы оценивания качества и многокритериальной оптимизации тематических моделей в библиотеке TopicNet]. МФТИ 2020.
== Cсылки ==
== Cсылки ==
-
* [http://www.ccas.ru/voron Домашняя страница К.&nbsp;В.&nbsp;Воронцова] на сайте ВЦ РАН (устарела).
+
* [https://zen.yandex.ru/civideology Цивилизационная идеология] — канал на Яндекс.Дзен
-
* [http://www.ccas.ru/voron/.index-eng.html K.Vorontsov homepage] — то же, там же, но на английском.
+
* [http://www.ccas.ru/voron Домашняя страница К.&nbsp;В.&nbsp;Воронцова] на сайте ВЦ РАН (устарела)
-
* [http://www.mathnet.ru/php/person.phtml?personid=42083&option_lang=eng K.Vorontsov] — то же, там же, но на английском.
+
* [http://www.ccas.ru/voron/.index-eng.html K.Vorontsov homepage] — то же, там же, но на английском
-
* [http://www.ccas.ru/frc FRC].
+
* [http://www.mathnet.ru/php/person.phtml?personid=42083&option_lang=eng K.Vorontsov] — страница на mathnet.ru
-
* [http://www.forecsys.ru Forecsys].
+
* [http://www.ccas.ru/frc FRC]
 +
* [http://www.forecsys.ru Forecsys]
* [http://google.com/+KonstantinVorontsov google.com/+KonstantinVorontsov]
* [http://google.com/+KonstantinVorontsov google.com/+KonstantinVorontsov]
Строка 737: Строка 992:
{{Служебная:Prefixindex/Участник:Vokov/}}
{{Служебная:Prefixindex/Участник:Vokov/}}
-
----
 
-
'''[[Служебная:EmailUser/Vokov|Написать письмо К.В.Воронцову]]'''.
 
[[Категория:Страницы участников|V]]
[[Категория:Страницы участников|V]]

Версия 20:56, 11 ноября 2022

Содержание

    Воронцов Константин Вячеславович

профессор РАН, д.ф.-м.н.,
проф., и.о. зав. каф. «Математические методы прогнозирования» ВМК МГУ,
зав. лаб. «Машинное обучение и семантический анализ» Института искусственного интеллекта МГУ
зав. каф. «Машинного обучения и цифровой гуманитаристики» МФТИ,
проф. каф. «Интеллектуальные системы» МФТИ (см.также),
г.н.с. отдела «Интеллектуальные системы» Вычислительного центра ФИЦ ИУ РАН,
один из идеологов и Администраторов ресурса MachineLearning.RU,
прочие подробности — на подстранице Curriculum vitæ.

Мне можно написать письмо.

http://www.MachineLearning.ru/wiki?title=User:Vokov — короткая ссылка на эту страницу.

Учебные материалы

Курсы лекций

Рекомендации для студентов и аспирантов

Каждый студент, с которым мы начинаем совместную научную работу, должен внимательно прочитать и осмыслить:

Другие методические материалы:

Интервью, выступления, блоги

Блоги

Видео, подкасты

Лонгриды

Российский радиоуниверситет, Радио России

Доклады на конференциях и семинарах

Научные интересы

Всё, что скрывается за терминами «науки о данных» (data science), «интеллектуальный анализ данных» (data mining) и «машинное обучение» (machine learning): распознавание образов, прогнозирование, математическая статистика, дискретная математика, численные методы оптимизации, аналитика больших данных, а также практический анализ данных в разнообразных областях (медицина, техника, биоинформатика, экономика, лингвистика, интернет).

Анализ текстов и информационный поиск

Современные средства текстового поиска предназначены для ответов на короткие текстовые запросы. Этого не достаточно при самообразовании и поиске научной информации, в особенности новой или содержащей неизвестную пользователю терминологию. Поиск и мониторинг новых тенденций, терминологии, профессиональных сообществ всё ещё требует больших затрат времени и высокой квалификации. Существует барьер входа в новую профессиональную область. Ответ на вопрос «где находится передний край науки по данной теме» по-прежнему достигается, главным образом, путём личного общения, следовательно, субъективен и не общедоступен. Наш подход к исследовательскому поиску (Exploratory Search) основан на концепции Мастерской Знаний. Это среда для поиска, анализа и переработки больших объёмов текстовой информации. В ней пользователь «мастерит» тематические текстовые подборки. Мастерская помогает ему расширять подборку, писать по ней рефераты и обзоры, выделять ключевые понятия и факты, систематизировать по темам, строить графические визуализации в виде «карты знаний». Миссия проекта — убирать барьеры между человеком и знанием. В Мастерской применяются разнообразные технологии обработки естественного языка (NLP).

Вероятностное тематическое моделирование (Probabilistic Topic Modeling) служит для выявления тематики больших текстовых коллекций и определения, к каким темам относится каждый текстовый документ. Также оно находит всё больше неожиданных применений в областях, далёких от анализа текстов: при обработке изображений и видео, звуковых и биомедицинских сигналов, нуклеотидных и аминокислотных последовательностей, пользовательских логов, финансовых и транзакционных данных.

Основные направления исследований и разработок

  • теория и методы аддитивной регуляризации тематических моделей (ARTM);
  • разработка BigARTM — библиотеки с открытым кодом для тематического моделирования больших коллекций;
  • разработка инструментальной среды для тематического моделирования TopicNet;
  • разработка поисково-рекомендательной системы SciSearch.ai;
  • автоматическое выделения терминов-словосочетаний в текстах;
  • тематические модели последовательного текста, тематической структуры и сегментации текстов;
  • мультимодальные тематические модели, классификация и регрессия с текстовыми и разреженными признаками;
  • иерархические тематические модели и категоризация текстов;
  • методы визуализации тематических моделей;
  • методы автоматического именования тем;
  • проблемы сходимости и устойчивости численных методов матричных и тензорных разложений;
  • проблемы интерпретируемости тем;
  • мультиязычные тематические модели;
  • тематические модели транзакционных данных или гиперграфов;
  • анализ тональности и разделение тем на полярные мнения;
  • темпоральные (динамические) тематические модели;
  • автоматическое оценивание когнитивной сложности текста;

Прикладные задачи

  • иерархическая тематическая модель научного и научно-популярного контента;
  • тематический исследовательский информационный поиск;
  • полуавтоматическое реферирование тематических подборок научных статей;
  • классификация и динамическая тематизация новостных потоков;
  • модели символьной динамики для анализа дискретных временных рядов;
  • тематическая кластеризация отзывов клиентов или опросов персонала;
  • классификация и сценарный анализ записей разговоров контактного центра;
  • выявления паттернов потребительского поведения клиентов по банковским транзакциям;
  • выявление видов экономической деятельности компаний по банковским транзакциям;

Ключевые слова

  • text analysis, information retrieval, keyphrase extraction, topic modeling, probabilistic latent semantic analysis (PLSA), latent Dirichlet allocation (LDA), Gibbs sampling, documents categorization, learning to rank, research trends, research front.

Материалы и задания

Фейковые новости и потенциально опасный дискурс

Постправда — это политика игнорирования фактов, использования фейковых новостей и приёмов пропаганды для формирования общественного мнения. Опасность постправды в том, что она навязывает социуму ложную картину мира и вынуждает людей принимать невыгодные для них решения. Блогосфера и социальные сети способствуют распространению фейков, лженаучных и мифологизированных представлений о мире. Средства массовой информации всё чаще используются для ведения информационных войн между корпорациями, государствами и идеологиями. Создание технологий, способных противостоять некритичному восприятию постправды, становится фундаментально важной задачей. Речь идёт об использовании технологий машинного обучения и автоматической обработки текстов для выявления манипулятивных приёмов, обмана, слухов, сплетен, мистификаций, противоречий, замалчивания, мифологизации и идеологизации. Мы называем эти явления потенциально опасным дискурсом. Их необходимо не только выявлять, но и оценивать степень их опасности, и на какие целевые аудитории направлено воздействие. Исследование носит междисциплинарный характер и предполагает тесное взаимодействие с лингвистами, журналистами, политологами, психологами.

Основные направления исследований и разработок:

  • распознавание фейков в новостях;
  • распознавание пропаганды и приёмов информационной войны;
  • поиск противоречивых оценок и интерпретаций одних и тех же событий в различных источниках;
  • выявление манипулятивных приёмов в тексте;
  • классификация психоэмоциональных реакций целевых аудиторий на текстовое сообщение;
  • выявление конструктов мифологизированной/идеологизированной картины мира (мифологем/идеологем);
  • модели классификации текстов, пар текстов и фрагментов текстов по размеченным выборкам;
  • методы активного обучения для формирования неразмеченных выборок в краудсорсинге;
  • разработка открытых библиотек для выявления и анализа потенциально опасного дискурса.

Материалы

Отслеживание контактов и оценка рисков инфицирования

В условиях пандемии перед производственными предприятиями и организациями встают вопросы: какие противоэпидемиологические мероприятия провести, чтобы минимизировать потери, избежать локдауна или максимально эффективно из него выйти. Кого в первую очередь тестировать, кого отправлять на карантин, кого вакцинировать, для всех ли сотрудников масочно-перчаточный режим строго обязателен. Ответы на эти вопросы не универсальны и зависят от структуры контактов на конкретном предприятии. В проекте используются данные о контактах, предоставленные компанией Софттри в рамках проекта Amuleit, для моделирования распространения инфекции по графу контактов и сравнения эффективности различных мероприятий. Для оценивания индивидуального риска инфицирования строятся вероятностные модели по обучающим выборкам, сформированным имитационной моделью распространения инфекции по графу контактов. Оценки индивидуального риска позволяют формировать приоритетные списки людей для тестирования и вакцинации, и тем самым существенно сокращать затраты и повышать эффективность противоэпидемических мероприятий.

Основные направления исследований и разработок:

  • имитационное моделирование распространения инфекции по заданному динамическому графу контактов;
  • имитационное моделирование для генерирования динамического графа контактов;
  • вероятностные модели риска с прямым и обратным отслеживанием контактов;
  • методы инкрементного обучения вероятностной модели индивидуального риска инфицирования;
  • оценивание результативности противоэпидемиологических мероприятий с помощью имитационного моделирования.

Материалы

Теория обобщающей способности

Проблема обобщающей способности является ключевой и в то же время наиболее сложной в машинном обучении. Её даже выделяют в отдельную дисциплину — теорию вычислительного обучения. Если алгоритм, восстанавливающий некоторую неизвестную зависимость, построен по конечной обучающей выборке прецедентов, то как предсказать качество его работы на контрольной выборке, состоящей из новых прецедентов? Почему это вообще возможно? Как надо обучать алгоритм, чтобы он редко ошибался на новых данных?

Активное исследование этих вопросов началось в конце 60-х, когда В.Н.Вапник и А.Я.Червоненкис предложили статистическую теорию восстановления зависимостей по эмпирическим данным (VC theory) и получили верхние оценки вероятности ошибки обученного алгоритма (VC-bounds). Эти оценки позволили обосновать давно замеченный эмпирический факт: по мере увеличения сложности используемого семейства алгоритмов качество обучения сначала улучшается, затем начинает ухудшаться. Ухудшение связано с эффектом переобучения. Если алгоритм имеет избыточное число параметров («степеней свободы»), то он может слишком точно настроиться на конкретную обучающую выборку в ущерб качеству восстановления зависимости в целом. В теории Вапника-Червоненкиса разработан метод структурной минимизации риска (СМР), позволяющий автоматически находить модель оптимальной сложности. К сожалению, оценки вероятности ошибки чрезвычайно завышены (осторожны, пессимистичны), что может приводить к переупрощению модели в методе СМР. Несмотря на 40-летние усилия многих ученых и существенное усложнение математического аппарата, точные оценки до сих пор не были получены.

Комбинаторная теория переобучения — это принципиально новый подход, основанный на слабой вероятностной аксиоматике, впервые позволивший получить точные (не завышенные, не асимптотические) комбинаторные оценки вероятности переобучения и показать ключевую роль эффектов расслоения и сходства в семействах алгоритмов. Пока что точные оценки получены лишь для ряда модельных семейств алгоритмов, обладающих некоторой регулярной структурой. Для реальных смейств удалось получить верхние оценки расслоения-связности — SC-оценки (splitting and connectivity bounds). Они завышены в разы, тогда как VC-оценки завышены на 5–8 порядков. Для некоторых модельных семейств SC-оценки являются точными. Тем не менее, проблемы остаются, и дело не только в завышенности оценок. Во-первых, SC-оценки могут быть ненаблюдаемыми, то есть в них могут входить некоторые функции от скрытых контрольных данных. Эти функции вполне можно оценивать по наблюдаемым обучающим данным, но это дополнительная работа. Во-вторых, SC-оценки могут быть вычислительно неэффективными и требовать неадекватно больших затрат памяти и времени. Получение приближённых или асимптотических SC-оценок гарантированной точности также является отдельной работой.

Пока имеется лишь два примера практического применения комбинаторных оценок обобщающей способности:

  • Модификация критериев информативности для уменьшения переобучения конъюнктивных закономерностей в логических алгоритмах классификации (Андрей Ивахненко).
  • Эффективный алгоритм отбора эталонных объектов в методе ближайших соседей (Максим Иванов).

Основная цель дальнейших исследований — доведение комбинаторной теории переобучения до уровня практической применимости.

Основные направления исследований:

  • разработка математической техники для перехода от ненаблюдаемых оценок к наблюдаемым (возможно, как на основе комбинаторики, так и на основе теории концентрации вероятностной меры);
  • исследование комбинаторно-статистических свойств графа расслоения-связности модельных и реальных семейств алгоритмов.
  • получение оценок вероятности переобучения через наблюдаемый профиль расслоения-связности;
  • разработка эффективных методов оценивания нижних слоёв профиля расслоения-связности в конкретных методах обучения;
  • разработка логических алгоритмов классификации с управляемой переобученностью логических закономерностей;
  • развитие понятия «плотности» семейства алгоритмов и изучение возможности аппроксимации «плотных» семейств их «разреженными» подсемействами малой мощности;
  • развитие понятия «комбинаторного отступа» и его использование для повышения обобщающей способности линейных классификаторов;
  • развитие понятия локальной радемахеровской сложности для более аккуратного учёта эффектов расслоения и сходства;
  • обобщение понятий расслоения и сходства алгоритмов для непрерывных функций потерь;
  • разработка эффективных метрических алгоритмов классификации на основе комбинаторных оценок полного скользящего контроля;
  • исследование связи профилей компактности с функциями конкурентного сходства;
  • разработка методики тестирования и анализа обобщающей способности для «Полигона алгоритмов классификации».

Материалы:

Ключевые слова: overfitting, generalization bounds, computational learning theory, Vapnik-Chervonenkis theory, local Rademacher complexity.

Комбинаторная (перестановочная) статистика

Это направление логично вытекает из предыдущего и является его обобщением. Оказывается, многие фундаментальные факты теории вероятностей и математической статистики можно переформулировать и доказать, не опираясь на колмогоровскую аксиоматику, то есть не используя теорию меры, и даже не употребляя само понятие вероятности. В задачах анализа данных мы всегда имеем дело с выборками конечной длины. Поэтому естественно ставить вопрос не «какова вероятность события?», а «какой может быть частота этого события на скрытых (пока еще не известных) данных?». Ответы на эти два вопроса, вообще говоря, различны, причем на выборках малой длины различие существенно. Вероятность события — абстрактная идеализированная величина. Частота события — это как раз то, что реально измеряется в эксперименте. Именно её и имеет смысл оценивать (предсказывать).

Слабая вероятностная аксиоматика основана на одной единственной аксиоме: рассматривается конечная выборка неслучайных объектов, которые появляются в случайном порядке, причём все перестановки равновероятны. Событие — это бинарная функция на множестве всех перестановок выборки. Вероятность события определяется как доля перестановок выборки, при которых эта бинарная функция принимает единичное значение (т.е. событие имеет место).

В слабой аксиоматике удаётся переформулировать значительную часть фундаментальных результатов теории вероятностей и математической статистики, оносящихся к конечным выборкам независимых наблюдений. В их числе: закон больших чисел, закон сходимости эмпирических распределений (критерий Смирнова), многие непараметрические, ранговые и перестановочные статические критерии, теория обобщающей способности, теория информации. Во многих случаях получаемые оценки являются точными, т.е. не асимптотическими и не завышенными. Многие результаты сильно упрощаются, освобождаясь от второстепенных технических усложнений, связанных с теорией меры. Например, отпадает необходимость введения различных типов сходимости.

Основные направления исследований:

  • выяснение границ применимости слабой вероятностной аксиоматики;
  • точные (комбинаторные) статистические тесты;
  • эффективные алгоритмы вычисления комбинаторных оценок;
  • исследование других вероятностных предположений, кроме равновероятности всех перестановок;
  • множественное тестирование статистических гипотез и его связь с проблемой переобучения.

Ключевые слова: exchangeability, permutational statistics, concentration of probability measure.

Прогнозирование объёмов продаж

Задачи прогнозирования объёмов продаж в сетях супермаркетов характеризуются огромным количеством временных рядов, фактической невозможностью использования классических ресурсоёмких методов прогнозирования, несимметричностью функции потерь, разнородностью и нестационарностью временных рядов, наличием пропусков и неточностей в данных, возможностью привлечения дополнительной информации о структуре ассортимента, географии продаж, ценах, промо-акциях и поведении конкурентов.

Основные направления исследований:

  • адаптивные методы краткосрочного прогнозирования при несимметричной функции потерь;
  • адаптивные композиции алгоритмов прогнозирования при несимметричной функции потерь;
  • адаптивные методы прогнозирования плотности распределения;
  • адаптивные методы квантильной регрессии;
  • поиск взаимозаменяемых товаров, анализ и прогнозирование каннибализации брендов.

Материалы:

Ключевые слова: sales forecast, density forecast, forecasting under asymmetric loss, quantile regression.

Другие проекты и семинары

(в значительной степени устаревшие)

Виртуальные семинары

Материалы для преподавателей

Семинары

Публикации

Основное

Всё остальное

Софт и проекты

  • ChartLib — Библиотека деловой и научной графики (1998-2008)

Удобный инструмент для аналитических исследований, генерации графиков в Internet, подготовки отчетов, выполнения курсовых и дипломных работ, встраивания графиков в приложения на Delphi и C#. Имеет собственный формат входных данных CHD (CHart Description), позволяющий описывать как таблицы данных, так и внешний вид графика. Поддерживается более 150 команд, более 50 свойств точек графика, имеется встроенный калькулятор арифметических выражений. Графики могут быть выведены в окно прикладной программы, на принтер, в буфер обмена, в файлы графических форматов BMP, EMF, PNG, JPEG, GIF. Имеется программа chdView.exe для просмотра CHD-файлов.

Страница: ChartLib
Документация: на сайте ВЦ РАН (надо вручную переключиться на KOI8-R)
  • BigARTM — Открытая библиотека тематического моделирования (текущий проект)

Параллельная распределённая реализация методов вероятностного тематического моделирования на основе аддитивной регуляризации. Реализация ядра библиотеки на С++, интерфейсы на C++, Python. Позволяет добавлять новые регуляризаторы и метрики качества.

Страница: github.com/bigartm
Документация: bigartm.org
Архитектор проекта Александр Фрей
  • TopicNet — Открытая библиотека тематического моделирования под Python (текущий проект)

Верхнеуровневая обёртка над BigARTM, упрощающая построение тематических моделей в прикладных проектах и автоматизирующая проведение вычислительных экспериментов по оптимизации моделей.

Страница: github.com/machine-intelligence-laboratory/TopicNet
Разработка лаборатории машинного интеллекта МФТИ
  • SciSearch.ai — пилотный проект «Мастерской знаний» (текущий проект)

Поисково-рекомендательная система для формирования и анализа тематических подборок англоязычных научных статей.

Аспиранты и студенты

Аспиранты МФТИ МГУ
  • Александр Кузьмин
  • Роман Дербаносов

  • Анастасия Янина
  • Илья Жариков

  • Юлиан Сердюк

  • Василий Алексеев
  • Полина Потапова
  • Олег Сомов
  • Николай Герасименко
  • Кирилл Хрыльченко
  • Никита Юдин

  • Дарья Соболева
  • Николай Скачков
  • Николай Герасименко
  • Кирилл Хрыльченко
  • Алексей Гришанов

  • Виктор Панкратов

  • Иван Лукьяненко
  • Максим Еремеев
  • Светлана Крыжановская
  • Евгения Милюта

  • Арсений Веселов

  • Анна Балакова
  • Василий Висков
  • Евгений Косарев
  • Сергей Артамонов

  • Воробьев Сергей
  • Дзюба Мария
  • Морозов Ярослав

  • Авдеев Роман
  • Мелихов Дмитрий
  • Панин Никита
  • Черникова Полина

Бакалаврские диссертации

  1. Дмитрий Иванцов. Новые методы технического анализа фьючерсных рынков. 2003. МФТИ.
  2. Рустем Таханов. Некоторые комбинаторные оценки качества обучения по прецедентам. 2004. МФТИ.
  3. Дмитрий Житлухин. О некоторых алгоритмах синтеза неэквивалентных матриц Адамара. 2005. МФТИ.
  4. Андрей Ивахненко. Исследование обобщающей способности логических алгоритмов классификации. 2005. МФТИ.
  5. Василий Лексин. Методы выявления взаимосогласованных структур сходства в системах взаимодействующих объектов. 2005. МФТИ.
  6. Фёдор Ульянов. Связь информативности и обобщающей способности в метрических алгоритмах классификации. 2005. МФТИ.
  7. Сергей Ументаев. Алгоритмы динамического обучения принятию решений в сильно зашумлённых временных рядах. 2005. МФТИ.
  8. Иван Гуз. Алгоритмические композиции с монотонными и выпуклыми корректирующими операциями. 2006. МФТИ.
  9. Александр Маценов. Методы обучения линейных композиций алгоритмов классификации. 2006. МФТИ.
  10. Никита Пустовойтов. Обучение композиций дипольных классификаторов на основе ЕМ-алгоритма. 2007. МФТИ.
  11. Александр Климов. Методы предсказания рейтингов в рекомендующих системах. 2007. МФТИ.
  12. Александр Орлов. Проблема переобучения при отборе признаков в линейной регрессии с фиксированными коэффициентами. 2007. МФТИ.
  13. Артур Коваль. Прогнозирование временных рядов с несимметричным функционалом потерь. 2007. МФТИ.
  14. Александр Ширяев. Выбор опорных множеств в алгоритмах типа вычисления оценок: нейросетевой подход. 2007. ВМК МГУ.
  15. Ирина Лебедева. Об одном методе статистически обоснованного сравнения временных рядов доходности паевых инвестиционных фондов. 2008. МФТИ.
  16. Александр Фрей. О дискретных аппроксимациях непрерывных вероятностных распределений. 2008. МФТИ.
  17. Кирилл Чувилин. Проблема переобучения при отборе признаков по внешним критериям в многомерной линейной регрессии. 2008. МФТИ.
  18. Пётр Цюрмасто. Влияние различности алгоритмов на обобщающую способность метода минимизации эмпирического риска. 2008. МФТИ.
  19. Андрей Бадзян. Комбинаторный аналог неравенства МакДиармида и обобщающая способность стабильных алгоритмов. 2008. МФТИ.
  20. Анастасия Зухба. Метрические алгоритмы классификации с отбором опорных объектов. 2009. МФТИ.
  21. Павел Минаев. Расширенная методика тестирования алгоритмов классификации. 2009. МФТИ.
  22. Алексей Романенко. Адаптивный выбор оптимальной модели временного ряда на основе множества статистических критериев. 2009. МФТИ.
  23. Алексей Куренной. Распознавание цитат в текстовых фрагментах. 2009. ВМК МГУ.
  24. Никита Спирин. Монотонные композиции алгоритмов ранжирования. 2010. МФТИ.
  25. Юрий Янович. Оценивание скрытого профиля компактности в задачах обучения методом ближайшего соседа. 2010. МФТИ.
  26. Алексей Островский. Эмпирическое исследование линейных и монотонных композиций алгоритмов ранжирования. 2010. МФТИ.
  27. Игорь Литвинов. Адаптивные методы квантильной регрессии для прогнозирования временных рядов. 2010. МФТИ.
  28. Евгений Зайцев. Прогнозирование средних скоростей движения в городской автотранспортной сети. 2011. МФТИ.
  29. Никита Животовский. Вероятность большого отклонения частоты ошибок на тестовой выборке от оценки скользящего контроля. 2011. МФТИ.
  30. Александр Мафусалов. Комбинаторные оценки вероятности переобучения пороговых классификаторов. 2011. МФТИ.
  31. Александр Фирстенко. Методы выделения терминов и тематической классификации текстовых документов. 2011. МФТИ.
  32. Михаил Кокшаров. Комбинаторные оценки обобщающей способности на основе попарного сравнения алгоритмов. 2012. МФТИ.
  33. Михаил Бурмистров. Методы оптимизации параметров вероятностных тематических моделей. 2012. МФТИ.
  34. Александр Романенко. Категоризация текстов на основе монотонного классификатора ближайшего соседа. 2012. МФТИ.
  35. Илья Ямщиков. Методы обучаемого ранжирования для поиска релевантных алгоритмов классификации. 2012. МФТИ.
  36. Ильдар Газизов. Проект информационно-аналитической системы для поддержки консультирования по функционально-ролевой модели бизнеса. 2012. МФТИ.
  37. Степан Лобастов. Построение тематической классификации коллекции документов с неизвестным числом тем, презентация. 2013. МФТИ.
  38. Влада Целых. Статистические критерии адекватности вероятностных тематических моделей коллекции текстовых документов, презентация. 2013. МФТИ.
  39. Светлана Цыганова. Выявление несогласованностей в иерархической тематической модели с фиксированной иерархией. 2013. МФТИ.
  40. Александр Бырдин. Классификация текстовых объявлений. 2014. МФТИ.
  41. Сергей Воронов. Фильтрация и тематическое моделирование коллекции научных документов. 2014. МФТИ.
  42. Олег Гринчук. Классификация нестационарного потока текстовых объявлений, презентация. 2014. МФТИ.
  43. Кирилл Неклюдов. Обнаружение аномалий в дискретных временных рядах, презентация. 2014. МФТИ.
  44. Мария Рыскина. Регуляризация вероятностных тематических моделей для повышения устойчивости и интерпретируемости. 2014. МФТИ.
  45. Даниил Яшков. Методы понижения размерности в задаче поиска аномалий в многомерных временных рядах, презентация. 2014. МФТИ.
  46. Андрей Шапулин. Регуляризация вероятностных тематических моделей для классификации символьных последовательностей. 2015. ВМК МГУ.
  47. Михаил Хальман. Методы персонализации показа объявлений в рекламной сети. 2015. ВМК МГУ.
  48. Никита Дойков. Адаптивная регуляризация вероятностных тематических моделей. 2015. ВМК МГУ.
  49. Мурат Апишев. Мультимодальные регуляризованные вероятностные тематические модели. 2015. ВМК МГУ.
  50. Александра Кузнецова. Методы регуляризации для отбора признаков в линейных классификаторах и их применение в банковской клиентской аналитике. 2015. ВШЭ.
  51. Алексей Гринчук. Использование контекстной документной кластеризации для улучшения качества тематических моделей. 2015. МФТИ.
  52. Ирина Ефимова. Формирование однородных обучающих выборок в задачах классификации. 2015. МФТИ.
  53. Андрей Игнатов. Deep Learning in information analysis of electrocardiogram signals for disease diagnostics. 2015. МФТИ.
  54. Анна Липатова. Выделение мультиграммных признаков в задачах классификации символьных последовательностей. 2015. МФТИ.
  55. Анастасия Макарова. Выделение информативных признаков заболеваний в информационном анализе электрокардиосигналов. 2015. МФТИ.
  56. Александр Плавин. Отбор тем в задачах тематического моделирования. 2015. МФТИ.
  57. Михаил Швец. Монотонные классификаторы для задач медицинской диагностики. 2015. МФТИ.
  58. Михаил Шинкевич. Применение коллаборативной фильтрации, активного обучения и навигационной корреляции в задаче выделения селекторов. 2015. МФТИ.
  59. Надежда Чиркова. Иерархические тематические модели для интерактивной навигации по коллекциям текстовых документов. 2016. ВМК МГУ.
  60. Никита Шаповалов. Тематические модели для классификации символьных последовательностей в задачах биоинформатики и анализа биомедицинских сигналов. 2016. ВМК МГУ.
  61. Юлия Молчанова. Проверка адекватности тематических моделей в онлайновых алгоритмах. 2016. ВМК МГУ.
  62. Иван Ивашковский. Методы инициализации в вероятностном тематическом моделировании. 2016. ФИВТ МФТИ.
  63. Анастасия Янина. Мультимодальные тематические модели статей коллективных блогов для разведочного поиска. 2016. ФИВТ МФТИ.
  64. Илья Жариков. Статистические тесты однородности символьных последовательностей. 2016. ФУПМ МФТИ.
  65. Евгений Смирнов. Суммаризация тем в вероятностном тематическом моделировании. 2016. ФУПМ МФТИ.
  66. Светлана Шишковец. Аддитивная регуляризация наивного линейного байесовского классификатора. 2016. ФУПМ МФТИ.
  67. Роза Айсина. Тематическое моделирование финансовых потоков корпоративных клиентов банка по транзакционным данным. 2017. ВМК МГУ.
  68. Артём Попов. Регуляризация тематических моделей для векторных представлений слов. 2017. ВМК МГУ.
  69. Владимир Полушин. Тематические модели для ранжирования рекомендаций текстового контента. 2017. ВМК МГУ.
  70. Владислав Батаев. Тематическая сегментация разговоров контактного центра. 2017. ФИВТ МФТИ.
  71. Карен Манукян. Интеллектуальная диалоговая система для автоматизации деятельности контакт-центра. 2017. ФИВТ МФТИ.
  72. Александр Софиенко. Классификация положительных и неразмеченных текстовых документов. 2017. ФИВТ МФТИ.
  73. Дмитрий Федоряка. Технология интерактивной визуализации тематических моделей. 2017. ФУПМ МФТИ.
  74. Ольга Цветкова. Анализ банковских транзакционных данных для выявления паттернов экономического поведения клиентов. 2017. ФУПМ МФТИ.
  75. Виталий Малыгин. Формирование репрезентативных обучающих выборок. 2017. ФУПМ МФТИ.
  76. Дарья Соболева. Языковое моделирование в задаче построения вопрос-ответной системы. 2018. ВМК МГУ.
  77. Николай Кругликов. Тематическое моделирование текстовых коллекций в диалоговых системах. 2018. ВМК МГУ.
  78. Анастасия Фадеева. Темпоральное моделирование новостных потоков. 2018. ФКН НИУ ВШЭ.
  79. Мария Селезнёва. Построение и оценка качества гетерогенных иерархических тематических моделей. 2018. ФУПМ МФТИ.
  80. Василий Алексеев. Внутритекстовая когерентность как мера интерпретируемости тематических моделей текстовых коллекций. 2018. ФУПМ МФТИ.
  81. Антон Захаренков. Итеративный подбор коэффициентов регуляризации тематических моделей. 2018. ФУПМ МФТИ.
  82. Даниил Фельдман. Использование фактов для поиска мнений в новостях. 2018. ФУПМ МФТИ.
  83. Филипп Никитин. Применение мультимодальных тематических моделей к анализу транзакционных данных. 2018. ФУПМ МФТИ.
  84. Анастасия Павловская. Тематическое моделирование в задаче классификации отзывов покупателей о работе и ассортименте продуктового магазина. 2018. ФУПМ МФТИ.
  85. Николай Скачков. Тематико-стилистические векторные представления текстовых пользовательских запросов. 2019. ВМК МГУ.
  86. Михаил Солоткий. Вероятностные тематические модели на основе данных о со-встречаемости слов. 2019. ВМК МГУ.
  87. Галина Фоминская. Проблема несбалансированности тем в вероятностных тематических моделях. 2019. ВМК МГУ.
  88. Николай Шаталов. Методы обучения без учителя для автоматического выделения составных терминов в текстовых коллекциях. 2019. ВМК МГУ.
  89. Вадим Захаренко. Методы обнаружения новых тем в вероятностных тематических моделях. 2019. ВМК МГУ.
  90. Анастасия Кряжова. Методы оценивания семантической близости фраз для классификации текстовых сообщений. 2019. НИУ ВШЭ.
  91. Анна Рогозина. Проверка гипотезы условной независимости для оценивания качества тематической кластеризации. 2019. ФУПМ МФТИ.
  92. Евгений Козлинский. Сегментация транзакционных данных розничных клиентов банка. 2019. ФУПМ МФТИ.
  93. Вадим Кислинский. Построение мультимодальной рекомендательной системы. 2019. ФУПМ МФТИ.
  94. Павел Плюснин. Итерационные методы балансировки тем в тематическом моделировании. 2019. ФУПМ МФТИ.
  95. Максим Еремеев. Ранжирование текстовых документов на основе оценок когнитивной сложности текстов. 2020. ВМК МГУ.
  96. Алексей Гришанов. Построение рекомендательной системы, основанной на обучении с подкреплением. 2020. ФУПМ МФТИ.
  97. Вадим Новоселов. Темпоральные тематические модели новостных потоков с возможностью обнаружения новых тем и событий. 2021. ВМК МГУ.
  98. Виктор Панкратов. Вероятностное тематическое моделирование несбалансированных текстовых коллекций. 2021. ФУПМ МФТИ.
  99. Балакова Анна. Выявление поляризации мнений в новостных текстах методами обучения без учителя. 2022. ВМК МГУ.
  100. Висков Василий. Методы обучения без учителя для выделения поляризаций в новостных потоках. 2022. ВМК МГУ.
  101. Косарев Евгений. Нейросетевые модели языка для выявления речевых манипуляций в новостных потоках. 2022. ВМК МГУ.

Магистерские диссертации

  1. Юрий Карпов. Имитационная модель торгов. 2003. МФТИ.
  2. Дмитрий Иванцов. Применение алгоритмов бустинга для построения комбинированных инвестиционных стратегий. 2005. МФТИ.
  3. Денис Кочедыков. Разработка, реализация и тестирование специализированной библиотеки логических алгоритмов классификации. 2005. ВМК МГУ.
  4. Александр Кругов. Поиск закономерностей и принятие решений по дискретным временным рядам. 2006. МФТИ.
  5. Дмитрий Житлухин. Персонализированная рубрикация текстовых сообщений. 2007. МФТИ.
  6. Андрей Ивахненко. Методы улучшения обобщающей способности логических алгоритмов классификации. 2007. МФТИ.
  7. Василий Лексин. Технология персонализации на основе выявления тематических профилей пользователей и ресурсов Интернет. 2007. МФТИ.
  8. Фёдор Ульянов. Оценивание обобщающей способности функций близости при оптимизации модели АВО. 2007. МФТИ.
  9. Сергей Ументаев. Проблема переобучения при отборе признаков в линейной регрессии с фиксированными коэффициентами. 2007. МФТИ.
  10. Иван Гуз. Проблема обобщающей способности и оптимизация профиля монотонности в композициях классификаторов. 2008. МФТИ.
  11. Александр Маценов. Профиль разделимости и обобщающая способность линейных композиций классификаторов. 2008. МФТИ.
  12. Геннадий Федонин. Композиции алгоритмов предсказания рейтингов в системах рекомендаций. 2008. МФТИ.
  13. Никита Пустовойтов. Поиск схожих пользователей социальных сетей методами коллаборативной фильтрации. 2009. МФТИ.
  14. Александр Орлов. Комбинаторные оценки вероятности переобучения для случая произвольной заданной матрицы ошибок. 2009. МФТИ.
  15. Артур Коваль. Построение адаптивных композиций алгоритмов прогнозирования при несимметричной функции потерь. 2009. МФТИ.
  16. Ирина Лебедева. Методы повышения обобщающей способности логических алгоритмов классификации. 2010. МФТИ.
  17. Александр Фрей. Точные оценки вероятности переобучения для рандомизированного метода минимизации эмпирического риска. 2010. МФТИ.
  18. Кирилл Чувилин. Проект интеллектуальной системы для автоматизации коррекции документов в формате LaTeX. 2010. МФТИ.
  19. Пётр Цюрмасто. Точные комбинаторные оценки вероятности переобучения для цепочек алгоритмов. 2010. МФТИ.
  20. Анастасия Зухба. Вычислительная сложность задачи отбора опорных объектов в методе ближайших соседей. 2011. МФТИ.
  21. Павел Минаев. Методика тестирования алгоритмов классификации в системе Полигон и её обоснования. 2011. МФТИ.
  22. Алексей Романенко. Методы агрегирования адаптивных алгоритмов прогнозирования. 2011. МФТИ.
  23. Игорь Литвинов. Методы уточнения карты дорог по данным GPS-сигналов автомобилей. 2012. МФТИ.
  24. Никита Спирин. Структурированный поиск с числовыми и логическими ограничениями в неструктурированных Веб-коллекциях. 2012. МФТИ.
  25. Никита Животовский. Концентрация меры в комбинаторных оценках обобщающей способности. 2013. МФТИ.
  26. Виталий Глушаченков. Устойчивость матричных разложений в задачах тематического моделирования. 2013. МФТИ.
  27. Александр Мафусалов. Оценивание вероятности успеха в серии испытаний Бернулли по другой серии при наличии зависимости между вероятностями успеха. 2013. МФТИ.
  28. Николай Савинов. Классификация эмоциональной окраски сообщений в социальных сетях. 2013. МФТИ.
  29. Андрей Романов. Методы упрощения композиций, получаемых при градиентном бустинге. 2013. МФТИ.
  30. Александр Романенко. Применение условных случайных полей в задачах обработки текстов на естественном языке. 2014. МФТИ.
  31. Илья Ямщиков. Математические методы диагностики ишемической болезни по электрокардиограмме сверхвысокого разрешения. 2014. МФТИ.
  32. Влада Целых. Статистические обоснования информационного анализа электрокардиосигналов для диагностики заболеваний внутренних органов. 2015. МФТИ.
  33. Светлана Цыганова. Применение тематической модели классификации в информационном анализе электрокардиосигналов. 2015. МФТИ.
  34. Василий Бунаков. Методы нечеткого кодирования в информационном анализе электрокардиосигналов. 2015. МФТИ.
  35. Сергей Стенин. Мультиграммные аддитивно регуляризованные тематические модели. 2015. МФТИ
  36. Дмитрий Аникушин. Использование вероятностных тематических моделей для персонализации показов рекламы. 2015. ФИВТ МФТИ.
  37. Дмитрий Гронский. Аддитивная регуляризация тематических моделей для задачи классификации символьных последовательностей. 2015. ФИВТ МФТИ.
  38. Кирилл Остапенко. Выявление случаев мошенничества в онлайн-играх методами машинного обучения. 2015. ФИВТ МФТИ.
  39. Виктор Булатов. Использование графовой структуры в тематическом моделировании. 2016. ФИВТ МФТИ.
  40. Илья Ирхин. Сходимость численных методов вероятностного тематического моделирования. 2016. ФИВТ МФТИ.
  41. Анжелика Сухарева. Оценивание качества выделения терминов в задаче классификации текстовых документов. 2016. ФУПМ МФТИ.
  42. Евгения Вдовина. Отбор признаков для многоклассовой классификации символьных последовательностей. 2016. ФУПМ МФТИ.
  43. Мурат Апишев. Параллельная реализация аддитивно регуляризованного тематического моделирования и её применение для поиска этно-релевантного контента в социальных медиа. 2017. ВМК МГУ.
  44. Юлия Лукашкина. Оценивание устойчивости и полноты тематических моделей мультидисциплинарных текстовых коллекций. 2017. ВМК МГУ.
  45. Андрей Шапулин. Классификация тем в вероятностных тематических моделях коллекций текстовых документов. 2017. ВМК МГУ.
  46. Илья Голубев. Аддитивная регуляризация тематических моделей для выделения полных наборов тем в коллекциях текстовых документов. 2017. ФКН НИУ ВШЭ.
  47. Роман Дербаносов. Проблемы устойчивости и единственности стохастического матричного разложения. 2017. ФКН НИУ ВШЭ.
  48. Илья Удалов. Библиотека с открытым исходным кодом для оптимизации и регуляризации линейных предсказательных моделей по большим выборкам данных. 2017. ФКН НИУ ВШЭ.
  49. Ирина Ефимова. Иерархическая мультимодальная тематическая модель коллекции научно-популярных текстов. 2017. ФУПМ МФТИ.
  50. Андрей Игнатов. Улучшение качества цифровых снимков с помощью глубоких свёрточных нейронных сетей. 2017. ФУПМ МФТИ.
  51. Макар Краснопёров. Выделение именованных сущностей на основе текстов высокой похожести. 2017. ФИВТ МФТИ.
  52. Александр Кузьмин. Адаптивный выбор траектории регуляризации. 2017. ФИВТ МФТИ.
  53. Руслан Камалов. Нейросетевой подход к построению тематических моделей. 2018. ВМК МГУ.
  54. Николай Попов. Гиперграфовые тематические модели транзакционных данных. 2018. ВМК МГУ.
  55. Таснима Садекова. Выделение мнений в тематических моделях новостных потоков. 2018. ВМК МГУ.
  56. Никита Шаповалов. Интерпретируемые тематические модели новостных потоков для прогнозирования на финансовых рынках. 2018. ВМК МГУ.
  57. Анастасия Янина. Тематический разведочный информационный поиск. 2018. ФИВТ МФТИ.
  58. Илья Жариков. Многомодальные тематические модели на гиперграфах. 2018. ФУПМ МФТИ.
  59. Евгений Смирнов. Тематическая сегментация диалогов контактного центра. 2018. ФУПМ МФТИ.
  60. Роман Кулага. Классификация потока финансовых новостей с целью выявления динамики цен биржевых инструментов. 2018. ФУПМ МФТИ.
  61. Артём Попов. Выделение множества тематик в неразмеченной коллекции диалогов. 2019. ВМК МГУ.
  62. Вера Шишкина. Тематическое моделирование финансовых потоков корпоративных клиентов банка по транзакционным данным. 2019. ФУПМ МФТИ.
  63. Дарина Дементьева. Агрегация и персонализация новостного текстового контента. 2019. ФУПМ МФТИ.
  64. Пётр Остроухов. Предобученные по Википедии тематические векторные представления слов. 2019. ФУПМ МФТИ.
  65. Александр Никитин. Иерархические тематические векторные представления слов в коллекциях текстов. 2019. НИУ ВШЭ.
  66. Виктория Ходырева. Автоматическое именование тем в вероятностном тематическом моделировании. 2019. ФКН НИУ ВШЭ.
  67. Василий Алексеев. Поиск полного набора тем с помощью обучения нескольких тематических моделей. 2020. ФУПМ МФТИ.
  68. Полина Потапова. Тематическое моделирование образовательных целей пользователей в системе дистанционного образования. 2020. ФУПМ МФТИ.
  69. Даниил Фельдман. Комбинирование фактов, семантических ролей и тональных слов в генеративной модели для поиска мнений. 2020. ФУПМ МФТИ.
  70. Андрей Власов. Методы полуавтоматической суммаризации подборок научных статей. 2020. ФУПМ МФТИ.
  71. Анастасия Павловская. Решение проблемы холодного старта при построении индивидуальной образовательной траектории с помощью тематического моделирования. 2020. ФИВТ МФТИ.
  72. Олег Сомов. Проектирование и разработка вопросно-ответной системы на основе графов знаний. 2020. ФИВТ МФТИ.
  73. Кирилл Хрыльченко. Обобщенные модальности в вероятностных тематических моделях для транзакционных данных. 2020. ВМК МГУ.
  74. Никита Юдин. Вариационный вывод в нейронных стохастических дифференциальных уравнениях. 2020. ВМК МГУ.
  75. Николай Герасименко. Тематический поиск в коллекции юридических документов. 2020. МАИ.
  76. Дарья Соболева. Замена живой речи на синтетическое аудио для предсказания знаков пунктуации на устройстве пользователя. 2021. ВМК МГУ.
  77. Николай Скачков. Совместное обучение прямой и обратной модели машинного перевода. 2021. ВМК МГУ.
  78. Вадим Кислинский. Многокритериальная оптимизация в задаче персональных рекомендаций. 2021. ФУПМ МФТИ.
  79. Евгений Козлинский. Методы тематической классификации коротких текстовых объявлений. 2021. ФУПМ МФТИ.
  80. Анна Рогозина. Обучение моделей распространения рисков по графам. 2021. ФУПМ МФТИ.
  81. Крыжановская Светлана. Технология полуавтоматической суммаризации тематических подборок научных статей. 2022. ВМК МГУ.
  82. Милюта Евгения. Языковые модели для обнаружения поляризации общественного мнения в новостном потоке. 2022. ВМК МГУ.

Дипломные работы

  1. Максим Янпольский. Идентификация инвестиционных стратегий участников биржевых торгов. 2002. ВМК МГУ.
  2. Александр Киселев. Классификация участников биржевого рынка по близости к стратегиям технического анализа. 2003. ВМК МГУ.
  3. Андрей Липасти. Метрические алгоритмы анализа биржевых стратегий и поведения участников торгов. 2003. ВМК МГУ.
  4. Денис Старых. Алгоритмы генерации сигналов в потоке торговых данных. 2003. ВМК МГУ.
  5. Денис Якубенков. Применение методов распознавания при построении и настройке имитационной модели биржевых торгов. 2003. ВМК МГУ.
  6. Екатерина Егорова. Сравнительный анализ методов алгебраической коррекции для одного класса алгоритмов прогнозирования. 2005. ВМК МГУ.
  7. Даниил Каневский. Генетические алгоритмы синтеза локальных базисов в алгебраическом подходе к проблеме распознавания. 2005. ВМК МГУ.
  8. Алексей Колосков. Применение комбинаторных оценок обобщающей способности для повышения качества метрических алгоритмов классификации. 2005. ВМК МГУ.
  9. Дмитрий Соколов. Сравнительный анализ обобщающей способности логических алгоритмов классификации. 2005. ВМК МГУ.
  10. Людмила Романюха. Логические алгоритмы классификации в задачах кредитного скоринга и оценка риска кредитного портфеля банка. 2006. ВМК МГУ.
  11. Ирек Ахуньянов. Применение модифицированного метода опорных векторов для построения метрических классификаторов. 2008. ВМК МГУ.
  12. Андрей Венжега. Отбор информативных признаков на выборках небольшой длины в задаче линейной регрессии с фиксированными ко-эффициентами. 2009. ВМК МГУ.
  13. Максим Иванов. Эффективные метрические алгоритмы классификации на основе оптимизации профиля компактности. 2009. ВМК МГУ.
  14. Алексей Медведев. Обобщающая способность логических закономерностей. 2009. ВМК МГУ.
  15. Варвара Цурко. Логические алгоритмы классификации: проблема переобучения и применение в задачах медицинской диагностики. 2009. ВМК МГУ.
  16. Григорий Чижик. Распознавание скрытых профилей пользователей и ресурсов в анализе клиентских сред. 2009. ВМК МГУ.
  17. Алексей Гуков. Оценки вероятности переобучения для некоторых связных семейств алгоритмов. 2010. ВМК МГУ.
  18. Алина Карпинская. Методы построения неполносвязных нейронных сетей и их приложения в задачах прогнозирования. 2010. ВМК МГУ.
  19. Василий Ломакин. Поиск взаимосвязей во временных рядах продаж. 2010. ВМК МГУ.
  20. Илья Решетняк. Комбинаторные оценки вероятности переобучения, учитывающие эффекты расслоения и связности в семействах алгоритмов. 2010. ВМК МГУ.
  21. Илья Толстихин. Оценки обобщающей способности и применение логических алгоритмов классификации в задаче распознавания вторичной структуры белка. 2010. ВМК МГУ.
  22. Александр Ерошенко. Применение оценок обобщающей способности в алгоритмах построения решающих деревьев. 2011. ВМК МГУ.
  23. Мария Когадеева. Математическая модель данных микрочипов ДНК и методы оценки её параметров. 2011. ВМК МГУ.
  24. Жанна Кожахметова. Построение карты дорог по данным о треках автотранспортных средств. 2011. ВМК МГУ.
  25. Юрий Логачёв. Методы ранжирования в задаче текстовой релевантности. 2011. ВМК МГУ.
  26. Елена Полежаева. Инкрементные матричные разложения в задачах коллаборативной фильтрации. 2011. ВМК МГУ.
  27. Алёна Шевцова. Отбор информативных признаков в задачах медицинской диагностики. 2011. ВМК МГУ.
  28. Александр Колесников. Прогнозирование вероятности кликов на новые рекламные объявления. 2012. ВМК МГУ.
  29. Дмитрий Солодкин. Выявление закономерностей научного цитирования на основе вероятностных тематических моделей. 2012. ВМК МГУ.
  30. Марина Дударенко. Методы предсказания информативности логических закономерностей. 2012. ВМК МГУ.
  31. Ольга Исупова. Выявление тематических связей между документами методами латентного семантического анализа. 2012. ВМК МГУ.
  32. Шаура Ишкина. Вероятность переобучения прямых цепей алгоритмов классификации. 2013. Мехмат МГУ.
  33. Мария Василевская. Алгоритмы построения разреженных тематических моделей. 2013. Мехмат МГУ.
  34. Кирилл Гаврилюк. Методы построения иерархических тематических моделей коллекции текстовых документов. 2013. ВМК МГУ.
  35. Валентин Полежаев. Обучаемые методы извлечения наукометрической информации из коллекций научных публикаций. 2013. ВМК МГУ.
  36. Евгений Соколов. Комбинаторные оценки обобщающей способности и их применение для построения композиций линейных классификаторов. 2013. ВМК МГУ.
  37. Иван Шанин. Методы анализа электрокардиограмм для ранней диагностики ишемической болезни. 2013. ВМК МГУ.
  38. Анна Потапенко. Лингвистическая регуляризация вероятностных тематических моделей. 2014. ВМК МГУ.
  39. Андрей Шадриков. Алгоритмы неотрицательных матричных разложений для тематического моделирования. 2015. ВМК МГУ.
  40. Тимур Исмагилов. Частично обучаемые вероятностные тематические модели коллекций научных текстов. 2016. ВМК МГУ.

Кандидатские диссертации

  1. Андрей Ивахненко. Комбинаторные оценки вероятности переобучения и их применение в логических алгоритмах классификации. МФТИ. 2010.
  2. Иван Гуз. Комбинаторные оценки полного скользящего контроля и методы обучения монотонных классификаторов. ВЦ РАН. 2011.
  3. Денис Кочедыков. Оценки обобщающей способности на основе характеристик расслоения и связности семейств функций. ВЦ РАН. 2011.
  4. Павел Ботов. Оценки вероятности переобучения многомерных семейств алгоритмов классификации. ВЦ РАН. 2011.
  5. Василий Лексин. Вероятностные модели в анализе клиентских сред. ВЦ РАН. 2011.
  6. Павел Кудинов. Адаптивные методы извлечения информации из статистических таблиц, представленных в текстовом виде. ВЦ РАН. 2012.
  7. Кирилл Чувилин. Автоматический синтез правил коррекции текстовых документов формата LaTeX. ВЦ РАН. 2013.
  8. Александр Фрей. Теоретико-групповой подход в комбинаторной теории переобучения. ВЦ РАН. 2013.
  9. Илья Толстихин. Неравенства концентрации вероятностной меры в трансдуктивном обучении и PAC-Байесовском анализе. ВЦ РАН. 2014.
  10. Евгений Рябенко. Выбор функций потерь в задачах неотрицательного матричного разложения. ВЦ РАН. 2014.
  11. Никита Животовский. Минимаксные оценки риска в задачах статистического обучения. МФТИ, ИППИ РАН. 2018.
  12. Анастасия Зухба. Оценка вычислительной сложности задач отбора эталонных объектов и признаков. МФТИ. 2018.
  13. Илья Трофимов. Разработка и обоснование методов параллельного покоординатного спуска для обучения обобщённых линейных моделей с регуляризацией. ФИЦ ИУ РАН. 2019.
  14. Анна Потапенко. Семантические векторные представления текста на основе вероятностного тематического моделирования. ФИЦ ИУ РАН. 2019.
  15. Мурат Апишев. Эффективная реализация алгоритмов тематического моделирования с аддитивной регуляризацией. ФИЦ ИУ РАН. 2020.
  16. Илья Ирхин. Единственность матричного разложения и сходимость регуляризованных алгоритмов в вероятностном тематическом моделировании. ФИЦ ИУ РАН. 2020.
  17. Виктор Булатов. Методы оценивания качества и многокритериальной оптимизации тематических моделей в библиотеке TopicNet. МФТИ 2020.

Cсылки

Мои подстраницы

Vokov/CVVokov/Publications
Vokov/Иллюзия простоты выбораVokov/Интервью для InTalent.proVokov/Интервью для Кота Шрёдингера 2017-10-04
Vokov/Интервью для Новой газеты 2019-02-25Vokov/Интервью для ПостНауки 2017-09-27Vokov/Интервью для РИА Новости 2020-05-25
Vokov/НаучпопVokov/Некоторые задачи интеллектуального анализа данных (лекция)
Vokov/ПесочницаVokov/Планы по развитию MachineLearning.RUVokov/Публикации
Личные инструменты