Available courses
Дифференциальные уравнения
Преподаватель: Орлов Михаил Владимирович
Преподаватель: Орлов Сергей Михайлович
Преподаватель: Романенко Татьяна Евгеньевна
Преподаватели: Леонов Михаил Васильевич, Лопушенко Владимир Васильевич
Практикум на ЭВМ(язык Ассемблер)
Автор и лектор курса: к.ф.-м.н., н. с. Дойников Александр Николаевич
Курс предназначен для изучения теории и практики анализа временных рядов. Материалы лекций сопровождаются примерами кода на языке R. Выполнение программ на языке R даёт демонстрации изучаемых понятий и примеры осуществления анализа временных рядов с использованием изложенных методов и понятий.
Авторы курсв: д.ф.-м.н., профессор Королев Виктор Юрьевич, к.ф.‑м.н., доцент Кудрявцев Алексей Андреевич
Лекционный курс «Анализ риска» посвящен изучению вероятностных методов минимизации рисков, связанных с потерей, хранением и недобросовестным использованием больших данных, а также рисков переполнения хранилища данных при неограниченно возрастающем числе источников данных.
Авторы курса: д.ф.-м.н., профессор Виктор Юрьевич, д.ф.-м.н., профессор Шевцова Ирина Геннадьевна
В данном курсе излагается байесовский подход к широкому кругу современных параметрических методов анализа больших данных, состоящий в трактовке неопределенности в значении параметров как случайности и введении соответствующих априорных распределений.
Автор и лектор курса -- к.ф.-м.н., доцент Петровский Михаил Игоревич
В курсе рассматриваются современные алгоритмы и методы интеллектуального анализа данных для решения задач поиска ассоциативных правил, тематического моделирования, кластеризации, классификации и прогнозирования.
Автор и лектор курса: д.ф.-м.н., профессор Дьяконов Александр Геннадьевич
В курсе изучаются основные задачи машинного обучения (с размеченными/неразмеченными данными, с подкреплением), методы их решения (начиная от классических линейных, метрических и байесовских, заканчивая современными – ансамблированием). Даётся много примеров из практики и практических советов.
Автор и лектор курса -- к.ф.-м.н. Поспелова Ирина Игоревна
Курс разделен на две части, в первой излагаются математические основы методов оптимизации – приводятся сведения решения задач безусловной и условной, линейной и нелинейной оптимизации с их математическим обоснованием. Вторая часть посвящена применению методов оптимизации в машинном обучении -- рассматриваются машины опорных векторов, нейронные сети, деревья решений, также значительное внимание уделено методам, использующимся при решении задач с разнородными данными большой размерности (глубинное обучение).
Автор и лектор курса -- д.ф.-м.н., профессор Ульянов Владимир Васильевич
Основное внимание в курсе уделено тому, каким образом для решения современных многомерных задач обработки больших данных следует изменить классические многомерные методы и использовать их модификации вместо обычных статистических инструментов. При этом многомерные методы изменяются с целью достижения высокого уровня точности приближений.
Автор и лектор курса -- д.т.н., профессор Рыжов Александр Павлович
В курсе рассматриваются основные вопросы теории нечетких множеств и измерения нечеткости, необходимые для разработки человеко-компьютерных систем. Обсуждаются способы формализации нечеткой информации, проводится сравнение классической теории множеств и теории нечетких множеств. Рассматриваются соответствующие обобщения теории отношений и логического вывода, артикулируются их отличия от классических.
Авторы курса: д.ф.-м.н., профессор Хохлов Юрий Степанович, к.ф.‑м.н., доцент Горшенин Андрей Константинович
В рамках курса излагаются основные методы регрессионного, корреляционного, дисперсионного, дискриминантного и факторного анализа и их применение к задачам анализа и обработки больших массивов данных.
Автор и лектор курса -- д.ф.-м.н., профессор Ушаков Владимир Георгиевич
В рамках курса излагаются основы теории марковских процессов с непрерывным и дискретным временем и их применение к анализу различных задач теории массового обслуживания: аппроксимации реальных потоков случайными потоками с различными заданными свойствами, изучению основных вероятностно-временных характеристик изучаемых моделей, оптимальному выбору приоритетов при наличии потоков информации различной степени важности и т.п.
Авторы курса: д.ф.-м.н., профессор Королев Виктор Юрьевич, д.ф.-м.н., профессор Шестаков Олег Владимирович
Лектор курса: д.ф.-м.н., профессор Шестаков Олег Владимирович
В данном курсе лекций сделана попытка, не углубляясь в дебри математических выкладок, но сохраняя логическую строгость, ознакомить слушателей с основными принципами построения математических моделей в условиях стохастической неопределенности. При этом особый акцент сделан на особенностях применения результатов и методов теории вероятностей и математической статистики к анализу больших массивов данных, накопленных в результате наблюдений за массовыми случайными явлениями.
Авторы курса: д.ф.-м.н., профессор Шевляков Г. Л., Проурзин В. А., Расова С. С., Яковлев Д. В.
В курсе рассматриваются актуальные вопросы статистики больших данных. Рассматриваются проблемы и особенности статистической обработки больших массивов данных (временных рядов и многомерных данных) в условиях неустойчивости моделей их распределений (медленного дрейфа их параметров) и/или их существенной неоднородности и нестационарности. Предлагаются статистические методы и алгоритмы предобработки больших данных, выявление их аномальных значений, трендов и неоднородностей с последующей их декомпозицией и агрегированием для обеспечения применимости классических методов статистического анализа.
Авторы курса: д.ф.-м.н., профессор Бенинг Владимир Евгеньевич, к.ф.‑м.н., доцент Захарова Татьяна Валерьевна
Лектор: к.ф.‑м.н., доцент Захарова Татьяна Валерьевна
В рамках курса дается обзор основных методов анализа выборок большого объема, особый акцент делается на задачи проверки статистических гипотез, проблемам оценивания неизвестных параметров и сравнения асимптотически эквивалентных процедур с помощью понятия дефект. Обсуждается применение методов асимптотической статистики в случае выборок случайного объема и построения оптимальных статистических процедур в этом случае.
Автор и лектор курса -- д.ф.-м.н., профессор Бенинг Владимир Евгеньевич
В курсе лекций дается обзор основных методов анализа, моделирования, «оценки» рисков и принятия оптимальных решений в условиях неопределенности. Обсуждается применение рассматриваемых методов в страховых, пенсионных и финансовых схемах. Курс предназначен в первую очередь на студентов старших курсов (в частности магистров) и аспирантов экономических, экономико — математических и финансовых специальностей.
Авторы курса: к.ф.‑м.н., доцент Шапошников Д. Е., ассистент Свистунов А. Н.
Цель данного курса состоит в формировании необходимой теоретической и практической базы в области современного состояния баз данных для дальнейшего развития знаний в области работы с большими данными (Big Data). Курс предусматривает формирование концептуальных представления об основных принципах построения баз данных и систем управления базами данных; о математических моделях, описывающих базу данных; о принципах проектирования баз данных; а также анализе основных технологий реализации баз данных.
Автор и лектор курса -- д.т.н., профессор Кузнецов Сергей Дмитриевич
В первой части курса обсуждаются базовые модельно-языковые аспекты современной технологии баз данных. Наиболее подробно излагаются теоретические основы реляционной и SQL-ориентированной моделей данных. Вторая часть курса посвящена структурам данных, методам и алгоритмам, применяемым в современных SQL-ориентированных СУБД. Обсуждаются применяемые архитектурные решения, методы хранения данных во внешней памяти, методы индексации, методы управления транзакциями и восстановления баз данных после сбоев.
Авторы и лекторы курса: Герасимов Сергей Валерьевич, Казачук Мария Андреевна
Аналитика больших данных является одной из важных составляющих успеха таких титанов IT-индустрии, как Facebook, Amazon, Google, IBM, Microsoft. Данный курс посвящен изучению современных технологий анализа больших данных. Рассматриваются технологии и парадигмы OLAP, MapReduce, Hadoop, HDFS, YARN и пр. Курс предполагает проведение теоретических и практических занятий, формой отчетности является экзамен.
Автор и лектор курса: к.ф.-м.н. Малышко Виктор Васильевич
В рамках дисциплины рассматриваются современные методы и средства анализа и проектирования программного обеспечения, основанные на применении объектно-ориентированного подхода, визуального унифицированного языка моделирования (UML), текстового языка объектных ограничений (OCL), а также примеры их практического использования. Особое внимание уделено построению моделей программного обеспечения по технологии Unified Process (Унифицированный процесс). Рассматриваются вопросы моделирования структурных и поведенческих аспектов программных систем. Отдельно обсуждается объектно-реляционное отображение и моделирование схем реляционных данных с использованием языка UML.
Автор курса -- к.ф.-м.н. Кузнецов Степан Львович
В данном курсе будет рассказано о формализации анализа математических рассуждений на компьютере на примере одной из самых популярных систем автоматизации анализа математических данных, называемой Coq.
В рамках курса «Введение в функциональное программирование» слушатели знакомятся с парадигмой функционального программирования на примере языка Scheme.
Автор и лектор курса: к.ф.-м.н. Малышко Виктор Васильевич
В рамках дисциплины рассматриваются современные методы и средства анализа и проектирования программного обеспечения, основанные на применении объектно-ориентированного подхода, визуального унифицированного языка моделирования (UML), текстового языка объектных ограничений (OCL), а также примеры их практического использования. Особое внимание уделено построению моделей программного обеспечения по технологии Unified Process (Унифицированный процесс). Рассматриваются вопросы моделирования структурных и поведенческих аспектов программных систем. Отдельно обсуждается объектно-реляционное отображение и моделирование схем реляционных данных с использованием языка UML.
Автор и лектор курса -- к.ф.-м.н, доцент Петровский Михаил Игоревич
В курсе рассматриваются основные вопросы программирования для решения задач статистического анализа данных с использованием аналитической платформы SAS.
Авторы курса: к.ф.- м.н., доцент Попова Нина Николаевна, член-корр. РАН, д.ф.-м.н., профессор Воеводин Владимир Валентинович
Целью курса является изучение основ суперкомпьютерного моделирования и освоение на практике технологий, необходимых для реализации ресурсоемких задач математического моделирования и обработки данных большого объема на суперкомпьютерных системах. В курсе рассматриваются вопросы современного состояния развития суперкомпьютерных технологий, включая суперкомпьютерные аппаратно-программные платформы, математические модели решаемых на суперкомпьютерных задач и алгоритмов их решения, параллельные технологии реализации таких задач на суперкомпьютерах.
Авторы курса: член-корр. РАН, д.ф.-м.н., профессор Воеводин Владимир Валентинович, к.ф.-м.н. Антонов Александр Сергеевич
Учебный курс «Суперкомпьютеры и параллельная обработка данных» ориентирован на получение базовых знаний и практических навыков в области параллельных вычислений, методов параллельной обработки данных, технологий параллельного программирования и суперкомпьютерных технологий.
Курс развёрнут на площадке проекта «Открытые курсы МГУ»
Автор и лектор курса -- д.т.н., в.н.с. Лукашевич Наталья Валентиновна
В курсе будут рассмотрены различные методы работы с большими текстовыми данными включая:
• модели представления текстов в информационно-поисковых системах
• методы классификации, кластеризации и аннотирования текстов
• методы сокращения размерности при работе с текстами
• методы учета поведения пользователей в информационно-поисковых системах и др.
Автор и лектор курса -- к. б. н., в. н. с. Голозубов Олег Модестович
В курсе рассматриваются понятия и технологии Big Data, правило 4-х «V», постановки задач и их решений применительно к задачам почвенного мониторинга и оценки земельных ресурсов на распределенной сети почвенных дата-центров.
Автор и лектор курса -- д. б. н., профессор Алябина Ирина Олеговна
Освоение дисциплины «Географические информационные системы для анализа данных в почвоведении и экологии почв» формирует у студентов теоретические знания о геоинформационных системах, возможностях их использования для анализа данных (в том числе, Больших Данных -– Big Data) в почвоведении и экологии почв. В рамках курса студент должен приобрести практические навыки работы с пространственно-распределёнными данными в специализированных программах, освоить основные алгоритмы.
Авторы курса: к.ф.-м.н. Ватолин Дмитрий Сергеевич, к.ф.-м.н. Ерофеев Михаил Викторович
Видеоданные составляют большую часть от объема всех данных, передаваемых через сеть Интернет в наши дни. В течение всего одного дня на популярные платформы для обмена видео загружается видео, общая продолжительность которого превышает продолжительность человеческой жизни. Сотни тысяч камер видеонаблюдения по всей Москве непрерывно производят потоки видеоданных. Для хранения и анализа таких гигантских объемов видеоданных требуется знакомство как с общими методами обработки и хранения больших данных, так и со специфичными для видеоданных алгоритмами.
Авторы курса: к.ф.-м.н. Кузнецов С. Л., профессор, д.ф.-м.н. Пентус М. Т., к.ф.-м.н. Сорокин А. А.
Современное
языкознание немыслимо без использования точных, прежде всего математических,
методов. Эти методы применяются для исследования больших массивов
лингвистических данных (корпусов), в том числе так называемых корпусов с
древовидными структурами (tree banks). Одну из важных групп таких методов
образуют алгебро-логические подходы к формализации структуры языка и
синтаксическому анализу. В курсе рассказывается об этой группе методов на
примере категориальных грамматик — семейства основанных на логических
исчислениях формализмов, используемых для описания синтаксиса и семантики
(«смысла») предложений на естественных языках.
Автор и лектор курса: д.т.н., профессор Местецкий Леонид Моисеевич
В курсе будут рассмотрены ключевые понятия и
задачи распознавания изображений, а также основные современные методы их
решения. Будут рассмотрены методы классификация изображений, выделение
объектов, поиск изображений по содержанию, преобразование изображений, отслеживание
объектов и распознавание событий в видео, трёхмерная реконструкция, локализация
и построение карт.
Авторы курса: к.ф.-м.н. Конушин Антон Сергеевич, Шахуро Владислав Игоревич
Курс посвящен изучению математических методов распознавания образов, используемых для анализа и классификации изображений в системах компьютерного зрения.
Автор и лектор курса: д.ф.-м.н., профессор Дьяконов Александр Геннадьевич
Курс введён в учебную программу факультета ВМК МГУ в связи с популярностью и востребованностью технологий хранения и анализа больших данных. Курс посвящён, в основном, главным этапам анализа данных: подготовке, селекции и использованию массивов информации, отдельно представлены кейсы – примеры решений нетривиальных прикладных задач, рассматриваются задачи анализа текстов.
Автор и лектор курса -- д.ф.-м.н., профессор Шестаков Олег Владимирович.
В рамках курса рассматриваются различные задачи анализа и обработки сигналов и изображений большой размерности. Основное внимание уделяется статистическим методам анализа временных выборок, методам спектрального Фурье-анализа, методам вейвлет-анализа при неограниченном возрастании объема массивов, описывающих сигналы и/или изображения. Излагается теория линейной фильтрации. Обсуждаются методы подавления шума, обнаружения сингулярностей (особенностей) и сжатия данных большого объема. Отдельное внимание уделяется методам решения обратных задач обработки и анализа сигналов/изображений. Излагаются элементы теории преобразования Радона и методы реконструкции томографических изображений.
Автор и лектор курса -- к.ф.-м.н., доцент Хохлов Юрий Евгеньевич
В рамках изучения дисциплины студенты знакомятся с основными понятиями и принципами влияния цифровых технологий на процессы социально-экономического развития, возможностями их применения в прикладных исследованиях; учатся понимать и правильно использовать терминологию современных теорий информационного общества, прежде всего, самостоятельно оценивать и анализировать различные точки зрения на особенности экономики информационного общества на современном этапе, связанном с развитием цифровой экономики.
Курс лекций «Введение в искусственный интеллект» разработан преподавателями и научными сотрудниками МГУ имени М. В. Ломоносова в рамках Академической программы по искусственному интеллекту. В весеннем семестре 2020/21 учебного года он предлагался второкурсникам факультета ВМК в качестве факультативного курса. В весеннем семестре 2021/22 учебного года он предлагается в качестве межфакультетского курса.
