Математические методы прогнозирования (кафедра ВМиК МГУ)

Материал из MachineLearning.

Версия 10:41, 22 марта 2010

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

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

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

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

Развёрнутая цитата одним абзацем

• Кафедра Математических методов прогнозирования

Спецкурс (продолжение)

• "Логический анализ данных в распознавании"

читает д.ф.-м.н. Е. В. Дюкова. Первая лекция состоится 1 марта (понедельник) в 16:20 ауд. 637

• Будет продолжено изучение вопросов эффективного применения комбинаторно-логических методов для синтеза распознающих процедур. Будет рассмотрены подходы к оценке вычислительной сложности алгоритмов и качества решения прикладных задач.

Первая часть спецкурса была в основном посвящена изложению общих принципов конструирования логических процедур распознавания. По спецкурсу есть учебное пособие (www.ccas.ru/frc), в котором кратко изложены вопросы логического анализа данных в распознавании, рассматриваемые в спецкурсе. Спецкурс рассчитан на студентов 2-5 курсов. Студенты 3-5 курсов приглашаются также на спецсеминар "Логические модели распознавания", проводимый под руководством д.ф.-м.н. Дюковой Е.В.

• Кафедра математических методов прогнозирования Спецсеминар
• "Байесовские методы машинного обучения"

(рук. н.с., к.ф. - м.н. Д.П. Ветров)

• Будет проходить по средам в 18:20 в ауд. 582.

Первое заседание в весеннем семестре состоится 10 февраля. Принять участие в работе спецсеминара приглашаются студенты 2-го курса, желающие распределиться на ММП и участвовать в работе данного спецсеминара на старших курсах.

• Кафедра математических методов прогнозирования

Студенты 517 гр. прослушивают курс «Современные проблемы прикладной информатики» вместе с 1-ым потоком (курс «Суперкомпьютерные вычисления» с практикумом). Начало занятий 1 марта.

• Кафедра математических методов прогнозированияСпецкурс
• «Теория надёжности обучения по прецедентам»

(пятница,16:20–17:55,ауд.606,начиная с 12 февраля) (к.ф.-м.н. Константин Вячеславович Воронцов) vokov@forecsys.ru, http://www.ccas.ru/voron

• Спецкурс знакомит студентов с современным состоянием теории вычислительного обучения (computational learning theory, COLT), исследующей проблему качества восстановления зависимостей по эмпирическим данным. Родоначальниками этой теории были советские математики В. Н. Вапник и А. Я. Червоненкис. В 80-е годы эта теория получила широкую мировую известность, и в настоящее время развивается очень активно, главным образом, за рубежом. Один из основных вопросов COLT — как количественно оценить способность алгоритмов классификации и прогнозирования обобщать эмпирические факты. В каких случаях можно утверждать, что общие закономерности, выявленные по частным прецедентам, не окажутся «кажущимися», «предрассудками»? Как избежать переобучения — ситуации, когда ответы алгоритма слишком точны на обучающей выборке, но недостаточно точны на новых данных, которые не были известны в момент обучения? Как управлять обобщающей способностью алгоритма на стадии его построения? Эти и другие смежные вопросы рассматриваются в данном спецкурсе.

В этом семестре:

• Слабая вероятностная аксиоматика, задачи эмпирического предсказания и проверки гипотез.
• Точные комбинаторные оценки вероятности переобучения модельных семейств алгоритмов.
• Профиль компактности выборки и отбор опорных объектов в методе ближайшего соседа.
• Профиль монотонности выборки и монотонные корректирующие операции.
• Современные теории обобщающей способности: радемахеровская и гауссовская сложность; PAC-байесовская теория стохастических классификаторов, shell-оценки Лангфорда.

На спецсеминарах (пятница, 1805–1930, ауд.606, начиная с 12 февраля) будут обсуждаться дипломные и курсовые работы студентов, открытые проблемы теории вычислительного обучения, прикладные задачи интеллектуального анализа данных (классификации, прогнозирования, поиска закономерностей), в том числе на основе реальных проектов компании Forecsys:

• Задачи кредитного скоринга, предсказания оттока клиентов, медицинской диагностики.
• Распределенная система «Полигон алгоритмов классификации».
• Задачи анализа клиентских сред и коллаборативной фильтрации.
• Задачи прогнозирования объёмов продаж в сетях супермаркетов.

Дополнительная информация: www.machinelearning.ru/wiki, страницы «Участник:Vokov» и «Теория надёжности обучения по прецедентам (курс лекций, К.В.Воронцов)»

Кафедральные курсы

Для студентов 3 курса

• Математические методы распознавания образов, К. В. Воронцов
• Спецкурс Теория надёжности обучения по прецедентам, К. В. Воронцов
• Прикладная алгебра (часть I), А. Г. Дьяконов
• Алгоритмы, модели, алгебры, А. Г. Дьяконов
• Спецкурс Байесовские методы машинного обучения, Д. П. Ветров

Для студентов 4 курса

• Практикум, А. И. Майсурадзе
• Спецкурс Структурные методы анализа изображений и сигналов, Д. П. Ветров

Для студентов 5 курса

• Прикладной статистический анализ данных, К. В. Воронцов

Спецсеминары кафедры

• Алгебрологические методы в задачах классификации и прогнозирования академик РАН, д.ф.-м.н., профессор Юрий Иванович Журавлёв
• Проблемно-ориентированные схемы распознавания, чл.-корр. РАН, проф. Рудаков Константин Владимирович, доц., к.ф.-м.н. Чехович Юрий Викторович
• Проблемы обобщающей способности алгоритмов классификации, регрессии и прогнозирования доц., к.ф.-м.н. Воронцов Константин Вячеславович
• Байесовские методы машинного обучения н.с., к.ф.-м.н. Ветров Дмитрий Петрович
• Анализ и оценивание информации представленной в виде изображений доц., к.ф.-м.н. Гуревич И. Б.,
• Новые методы в распознавании образов и прогнозировании доц., к.ф.-м.н. Гуров С. И.,
• Спектральные методы в задачах математической биологии проф., д.т. н. Дедус Ф. Ф.,
• Вычислительные задачи математической биологии и биофизики доц., к.ф.-м.н. Махортых С. А., доц., к.ф.-м.н. Панкратов А. Н.
• Алгебра над алгоритмами и эвристический поиск закономерностей доц., д.ф.-м.н Дьяконов Александр Геннадьевич
• Логические модели распознавания доц., д.ф.-м.н. Дюкова Е. В.
• Комбинаторные основы теории информации проф., д.ф.-м.н. Леонтьев В. К.
• Анализ данных в метрических пространствах доц., к.ф.-м.н. Майсурадзе Арчил Ивериевич
• Дискретно-непрерывные преобразования изображений в задачах распознавания проф., д.т. н. Местецкий Л. М.,
• Практические алгоритмы и системы распознавания и классификации доц., д.ф.-м.н. Рязанов В. В.,
• Стохастические методы прогнозирования вед.н.с., д.т. н. Шурыгин А. М.

Преподаватели

• Ветров Дмитрий Петрович, к.ф.-м.н.
• Воронцов Константин Вячеславович, к.ф.-м.н.
• Гуревич Игорь Борисович, к.ф.-м.н.
• Гуров Сергей Исаевич, к.ф.-м.н.
• Дедус Флоренц Фёдорович, профессор
• Дьяконов Александр Геннадьевич, д.ф.-м.н.
• Дюкова Елена Всеволодовна, д.ф.-м.н.
• Журавлёв Юрий Иванович, академик РАН, зав.каф.
• Леонтьев Владимир Константинович, д.ф.-м.н., профессор
• Майсурадзе Арчил Ивериевич, к.ф.-м.н.
• Махортых Сергей Александрович, к.ф.-м.н.
• Местецкий Леонид Моисеевич, д.т. н., профессор
• Панкратов Антон Николаевич, к.ф.-м.н.
• Рудаков Константин Владимирович, член-корреспондент РАН
• Рязанов Владимир Васильевич, д.ф.-м.н., академик РАЕН
• Чехович Юрий Викторович, к.ф.-м.н.
• Шурыгин Александр Михайлович, д.т. н.

Ссылки

• http://cs.msu.su — страница кафедры на сайте факультета ВМК.
• Неофициальный сайт ММП (в настоящее время не обновляется).
• Интеллектуальные системы (кафедра МФТИ) — родственная кафедра на Физтехе.

Литература