• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

Бакалаврская программа «Прикладная математика и информатика»

Научно-исследовательский семинар "Анализ данных и искусственный интеллект 2"

2019/2020
Учебный год
RUS
Обучение ведется на русском языке
5
Кредиты
Статус:
Курс по выбору
Когда читается:
4-й курс, 1-3 модуль

Преподаватель

Программа дисциплины

Аннотация

В качестве основной цели курса рассматривается выработка у студентов 4-го курса ОП Прикладная математика и информатика навыков работы с научными текстами, понимания математических идей и превращении их в алгоритмы и работающий код. В качестве области знаний предлагается использовать современные алгоритмы кластеризации и современные алгоритмы прогнозирования временных рядов. К необходимым предварительным знаниям следует отнести математический анализ, линейную алгебру, теорию вероятностей и математическую статистику, теорию сложности алгоритмов.
Цель освоения дисциплины

Цель освоения дисциплины

  • В качестве основной цели курса рассматривается выработка у студентов 4-го курса ОП Прикладная математика и информатика навыков работы с научными текстами, понимания математических идей и превращении их в алгоритмы и работающий код.
Планируемые результаты обучения

Планируемые результаты обучения

  • Умения работать со сложными математическими текстами, преобразовывать их в алгоритмы и, далее, в код
  • Знания современных практически значимых алгоритмов кластеризации
  • Знания современных практически значимых алгоритмов прогнозирования временных рядов
  • Знание современных направлений в теории искусственных нейронных сетей
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Кластеризация на основе эмпирической функции плотности (density-based clustering)
  • Выбор наиболее репрезентативных признаков для кластеризации (feature selection)
  • Кластеризация связанных данных (linked data)
  • Кластеризация высокоразмерных данных (high-dimensional data)
  • Алгоритмы, позволяющие различать хаотические и временные ряды: вычисление старшего показателя Ляпунова, построение плоскости энтропия-сложность
  • Прогнозирование на основе кластеризации (predictive clustering)
  • Представление информации о временном ряде в виде дискретных структур (графы, тензоры и др.)
  • Предсказание точек смены тренда во временных рядах (early-warning signs, tipping points)
  • Конструктивные нейронные сети.
  • Нейродифференциальные уравнения.
  • Теория информации и нейронные сети.
  • Машина Больцмана.
Элементы контроля

Элементы контроля

  • неблокирующий Выступление с презентацией 1
    В подготовке презентации могут принимать участие несколько человек.
  • неблокирующий Коллоквиум 1
  • неблокирующий Выступление с презентацией 2
    В подготовке презентации могут принимать участие несколько человек.
  • неблокирующий Коллоквиум 2
  • неблокирующий Выступление с презентацией 3
    В подготовке презентации могут принимать участие несколько человек.
  • неблокирующий Коллоквиум 3
    Оценка выставляется по накопленной, экзамен не проводится
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (3 модуль)
    0.2 * Выступление с презентацией 1 + 0.2 * Выступление с презентацией 2 + 0.2 * Выступление с презентацией 3 + 0.1 * Коллоквиум 1 + 0.1 * Коллоквиум 2 + 0.2 * Коллоквиум 3
Список литературы

Список литературы

Рекомендуемая основная литература

  • Mirkin, B. Core concepts in data analysis: summarization, correlation and visualization. – Springer Science & Business Media, 2011. – 388 pp.

Рекомендуемая дополнительная литература

  • Rachev, S. T. et al. Financial models with Lévy processes and volatility clustering. – John Wiley & Sons, 2011. – 394 pp.