Bachelor 2021/2022

Research Seminar "Data Analysis and Artificial Intelligence 2"

Type: Elective course (Applied Mathematics and Information Science)

Area of studies: Applied Mathematics and Information Science

Delivered by: School of Data Analysis and Artificial Intelligence

Where: Faculty of Computer Science

When: 4 year, 1-3 module

Mode of studies: offline

Open to: students of one campus

Instructors: Vasilii Gromov

Language: English

ECTS credits: 5

Contact hours: 52

Course Syllabus

Abstract

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.

Learning Objectives

• 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.

Expected Learning Outcomes

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

Course Contents

• 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.

Assessment Elements

• 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

Interim Assessment

• 2021/2022 3rd module
  0.1 * Коллоквиум 1 + 0.2 * Выступление с презентацией 3 + 0.1 * Коллоквиум 2 + 0.2 * Выступление с презентацией 1 + 0.2 * Выступление с презентацией 2 + 0.2 * Коллоквиум 3

Bibliography

Recommended Core Bibliography

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

Recommended Additional Bibliography

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

Authors

• GROMOV VASILIY ALEKSANDROVICH