• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Бакалавриат 2020/2021

Научно-исследовательский семинар "Математическая инженерия в науке и бизнесе"

Направление: 01.03.02. Прикладная математика и информатика
Когда читается: 3-й курс, 1-4 модуль
Формат изучения: без онлайн-курса
Преподаватели: Беленький Александр Соломонович, Лукьянченко Петр Павлович, Шаповал Александр Борисович
Язык: английский
Кредиты: 4
Контактные часы: 66

Course Syllabus

Abstract

During the Research Seminar students will employ their knowledge of differential equations, machine learning, probability theory, and statistics for modelling different processes and solving a wide range of theoretical and practical tasks. Work for the Research Seminar includes analysis of significant amounts of resources in an uncommon for a student field, with a purpose to learn to identify mathematical problems in non-mathematical papers. The grade for the Research Seminar includes completion of projects, presentations, and discussions of projects of others. Class exercises include: analysis and forecast of time series, automatic detection of the change of trends, forecast of rare events, analysis of the common configurations in society. Computational problems are standard for machine learning: clusterization, image recognition, dimension reduction. The work is split into following stages: work with literature, development of computer code and solving of mathematical problems, text preparation, project presentation. Project themes include applications for science, computational economics, and modeling of financial products. Completion of group projects is rewarded. In event of successful project completion, application for grant, paper publication, or a well-worded application for a new project can be prepared. Heads of the Research Seminar: P. Lukianchenko (https://www.hse.ru/org/persons/14276760) A. Shapoval (https://www.hse.ru/en/org/persons/110258149)
Learning Objectives

Learning Objectives

  • Ознакомление студентов с последними достижениями области приложений математического моделирования и вычислительных методов в науке и бизнесе и расширение научного кругозора студентов
  • Развитие навыков самостоятельной работы с научными статьями и презентации исследовательских результатов.
  • Своевременное включение студентов в исследовательский процесс в рамках курсовых работ.
Expected Learning Outcomes

Expected Learning Outcomes

  • Знать основные задачи в области современных исследований в машинном обучении (классификация, регрессия, сегментация, прогнозирование и т.д.).
  • Знать современные алгоритмы и модели, рассматриваемые в научных статьях (сверточные нейронные сети, рекуррентные нейронные сети, бустинг, коллаборативная фильтрация, REINFORCE и т.д.), знать преимущества и недостатки моделей данных типов.
  • Уметь самостоятельно выбирать и изучать современные научные статьи, находить релевантную литературу.
  • Уметь готовить и проводить выступление с докладом на научную тему, а также вести дискуссию по материалам доклада.
  • Знать методы математического моделирования, основанные на (стохастических) дифференциальных уравнениях, теории вероятностей.
  • Знать современные вычислительные методы, используемые в смежных областях, в частности, при прогнозировании временных рядов и решении обратных задач (Фурье-анализ, wavelets, регрессия, SSA, понижение размерности, скользящие средние, нейронные сети, фильтры и др. – понимая преимущества и недостатки каждого из методов.
  • Уметь готовить и проводить выступление с докладом на научную тему, а также вести академическую дискуссию по материалам доклада.
  • Уметь писать научные тексты.
Course Contents

Course Contents

  • Приглашенные доклады.
    В начале года на курсе проходят выступления приглашенных лекторов, которые позволяют студентам узнать открытые проблемы и увидеть примеры ярких выступлений.
  • Выступления студентов с научными докладами.
    Большая часть курса посвящена выступлению студентов с докладами на различные темы, связанные с машинным обучением, глубинным обучением, обучением с подкреплением, компьютерным зрением и т.д. Темы выступлений выбираются студентами самостоятельно из предложенного преподавателями списка тем.
  • Научные тексты и их оформление.
    В течение года студенты самостоятельно занимаются, изучением литературы, работой над проектами, написанием научных текстов, подготовкой рецензий на доклады и проекты.
Assessment Elements

Assessment Elements

  • non-blocking Доклады (Выступления с презентацией)
  • non-blocking Рецензирование чужих докладов
  • non-blocking Обсжудение на семинаре (без подготовки)
Interim Assessment

Interim Assessment

  • Interim assessment (4 module)
    0.5 * Доклады (Выступления с презентацией) + 0.2 * Обсжудение на семинаре (без подготовки) + 0.3 * Рецензирование чужих докладов
Bibliography

Bibliography

Recommended Core Bibliography

  • Christopher M. Bishop. (n.d.). Australian National University Pattern Recognition and Machine Learning. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.EBA0C705
  • Hastie, T., Tibshirani, R., & Friedman, J. H. (2009). The Elements of Statistical Learning : Data Mining, Inference, and Prediction (Vol. Second edition, corrected 7th printing). New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=277008
  • William H. Press, Saul A. Teukolsky, William T. Vetterling, & Brian P. Flannery. (1992). Numerical Recipes in C: The Art of Scientific Computing. Second Edition. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.9CFCD6AE

Recommended Additional Bibliography

  • James, G. et al. An introduction to statistical learning. – Springer, 2013. – 426 pp.
  • Инвестиции : математические методы, Попов, В. Ю., 2011