Bachelor
2021/2022
Research Seminar "Mathematical and Computational Engineering in Science and Business"
Type:
Elective course (Applied Mathematics and Information Science)
Area of studies:
Applied Mathematics and Information Science
Delivered by:
Big Data and Information Retrieval School
Where:
Faculty of Computer Science
When:
3 year, 1-4 module
Mode of studies:
offline
Open to:
students of one campus
Language:
English
ECTS credits:
4
Contact hours:
72
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
- 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
- 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 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.
- Уметь самостоятельно выбирать и изучать современные научные статьи, находить релевантную литературу.
Course Contents
- Приглашенные доклады.
- Выступления студентов с научными докладами.
- Научные тексты и их оформление.
Assessment Elements
- Доклады (Выступления с презентацией)
- Рецензирование чужих докладов
- Обсжудение на семинаре (без подготовки)
Interim Assessment
- 2021/2022 4th module0.3 * Рецензирование чужих докладов + 0.2 * Обсжудение на семинаре (без подготовки) + 0.5 * Доклады (Выступления с презентацией)
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