Бакалавриат 2020/2021

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

Статус: Курс по выбору (Прикладная математика и информатика)

Направление: 01.03.02. Прикладная математика и информатика

Кто читает: Департамент анализа данных и искусственного интеллекта

Где читается: Факультет компьютерных наук

Когда читается: 4-й курс, 1-3 модуль

Формат изучения: без онлайн-курса

Преподаватели: Громов Василий Александрович

Язык: русский

Кредиты: 5

Контактные часы: 52

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

• 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

• 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

• 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

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

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

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.