Módne tendencie a trendy. Doplnky, topánky, krása, účesy

Zvláštne opisy katedier... čo znamená "Jedno z mála miest, kde je konkurencia v matematických výsledkoch." - nerozumel

Skúsme o SA...
Webová stránka oddelenia http://sa.cs.msu.su/

Tento odbor sa odlišuje od ostatných ... tým, že poskytuje najkompletnejšie a najkvalitnejšie matematické vzdelanie na fakulte.

Jadrom učebných osnov sú kurzy optimálneho ovládania. Podstatou OC je optimálne presúvať-riadiť objekt A do množiny B. Pri všetkej svojej abstraktnosti je táto úloha široko používaná v úplne iných oblastiach. Takže objektom A môže byť raketa, guľomet v továrni, samotná továreň ako súčasť ekonomiky alebo dokonca portfólio cenných papierov.

Je jasné, že na vyriešenie tohto problému vo všeobecnosti potrebujete poznať chorobný záprah matematiky - to všetko je dané v rámci katedrových kurzov ... o funkčnej a konvexnej analýze (CA je jediný odbor ktorý pomáha OM privlastniť si funcan), teória identifikácie, teda stabilita, teda dynamické systémy + niektoré triedy ODR a ELP + Kalmanov filter a základné veci o časových radoch. Teóriu sprevádzajú rozsiahle praktické úlohy, ktoré študenti vykonávajú na Matlabe – poprednom matpacku pre inžinierov a kvantových finančníkov. Študentom je tiež povedané, ako sa celá táto teória aplikuje v matematickej biológii, ekonómii a finančnej matematike...

Napriek šírke záberu - hĺbka učiva zodpovedá najlepším tradíciám sovietskeho obdobia... katedra pristupuje zodpovedne aj k preverovaniu vedomostí študentov - čo je v porovnaní s jej typickým posratým prístupom na iných katedrách priaznivé. .. študent môže robiť test-test neobmedzene, kým sa nenaučí látku ... môj osobný rekord bol 6 pokusov (po tom, čo som sa naučil všetky definície - dôkazy viet - riešenie problémov - zápočet som získal za 20 minút). Výsledkom je, že študenti SA nemajú najmenší problém pri absolvovaní in-line kurzov, ktoré sú kvôli rozletu lektorov čítané na ohavnej úrovni.

Na oddelení pracujú pozoruhodní odborníci:
Kurzhansky je zakladateľom, megamyslom, málokedy navštevuje Rusko, ale je neustále v kontakte, je veľmi náročný, prísny, ale spravodlivý.
Bratus je jedným z popredných odborníkov na matematickú biológiu v krajine, veľmi príjemný človek s veľmi ťažkým osudom
Shananin je jedným z popredných odborníkov v krajine na matematickú ekonómiu
Arutyunov - čistá matematika, konvexná analýza, venuje veľa času svojim študentom
Lotov - multikriteriálna optimalizácia, sedí v Ústave Ruskej akadémie vied - veľa som s ním nehovoril
Smirnov - finančná matematika, SN robí veľa aplikovaných projektov, oblasťou vedeckých záujmov sú náhodné procesy, úžasný človek, ale má veľmi málo času na študentov.
Rovnako ako niekoľko mladých chalanov Darin, Tochilin, Rublev
Žiaľ, mnohí z nich musia brigádovať na iných miestach, pretože. plat profesorov je jednoducho neadekvátny ... v dôsledku toho je ich čas obmedzený, ale ak chce študent naozaj niečo diskutovať o vedeckej práci, vždy si nájde čas

Každoročne sa oddielu darí zbierať talentované deti. Ťažkosti so štúdiom rozplačú kolektív - stále som v kontakte s mnohými spolužiakmi - hoci bývam na druhom konci glóbus. Prekvapivo patrí katedra v percentuálnom zastúpení študentov červených diplomov medzi lídrov na fakulte. Kvalita diplomových prác je priaznivá aj v porovnaní s inými katedrami, kde väčšina ľudí pracuje od 4. ročníka a ich diplomy pripomínajú formálnu odpoveď a neserióznu vedeckú prácu. Katedra predpokladá plnú zamestnanosť, málokedy sa to niekomu podarí skĺbiť s prácou v 3. či 4. ročníku... Musel som to skĺbiť - kvôli tomu som, žiaľ, dostal na katedre oveľa menej vedomostí, ako som mohol.

Kto absolventi pracujú a oplatí sa im to? Podobne ako chalani z iných katedier študentov SA sa venujú najmä IT a financiám...u nás je dopyt po silných aplikovaných matematikoch malý - možnosť ísť pokračovať v štúdiu do zahraničia (PhD)

Niekedy sa pýtam, ktoré oddelenie by som si vybral, keby som sa previezol do minulosti – a odpovedám, že by som si vybral opäť SA.

PS: Ospravedlňujem sa za moje jazykové chyby, nepíšem často po rusky.

Vedúci katedry: Zhuravlev Yury, akademik RAS, profesor, Dr.Sc.

119991, Moskva, GSP-1, Leninskiye Gory, MSU, 2. vzdelávacia budova, Fakulta CMC, miestnosti 530, 532, 573, 680 (vedúci katedry)

Katedra školí špecialistov na strojové učenie, datamining, algoritmy spracovania obrazu a ich aplikácie v prírodných vedách, ekonómii, financiách atď. Špecializácia katedry zahŕňa matematické metódy na diagnostiku zložitých systémov (vrátane technických a ekonomických), analýzu týchto systémov, zostavovanie optimálnych alebo takmer optimálnych riešení, ktoré sú založené na nepriamych, neúplných alebo protichodných informáciách.

Počas školenia študenti získajú základné vzdelanie v rôznych oblastiach matematiky, ako je moderná algebra a matematická logika, teória algoritmov, diskrétna a kombinatorická matematika, matematické modely umelej inteligencie vrátane matematických metód rozpoznávania vzorov, strojové učenie, spracovanie obrazu, teória pravdepodobnosti, aplikovaná štatistika, grafické modely.

Študenti si na praktických cvičeniach osvojujú zručnosti práce s modernými databázami a softvérom, osvojujú si moderné programovacie jazyky a techniky, získavajú skúsenosti s riešením aplikovaných problémov. Študenti majú prax aj vo výskumných inštitúciách Ruskej akadémie vied, inovatívnych firmách, finančných organizáciách a pod. Do čias svojich majstrov majú mnohí z nich už články vo vedeckých časopisoch a zborníkoch z vrcholných konferencií.

Katedra pripravuje odborníkov v oblasti vývoja a aplikácie matematických metód na riešenie rôznych problémov spracovania údajov, ako sú skórovacie systémy, detekcia podvodov, predikcia maloobchodu, bioinformatika, spracovanie prirodzeného jazyka, počítačové videnie, expertné systémy atď.

zamestnanci:

• Rudakov Konstantin, člen korešpondent RAS, profesor, Dr.Sc.
• Mestetsky Leonid, člen korešpondent RAS, profesor, Dr.Sc.
• Dyakonov Alexander, profesor, Dr.Sc.
• Leontyev Vladimir, profesor, Dr.Sc.
• Voroncov Konstantin, docent, Dr.Sc.
• Gurevič Igor, docent, PhD
• Gurov Sergey, docent, PhD
• Dyukova Elena, docentka, Dr.Sc.
• Maisuradze Archil, docent, PhD
• Ryazanov Vladimir, docent, Dr.Sc.
• Senko Oleg, docent, Dr.Sc.
• Vetrov Dmitrij, docent, PhD
• Kropotov Dmitrij, výskumník, vedecký tajomník katedry

Pravidelné kurzy:

• Algebraické metódy v strojovom učení prof. Zhuravlev, 16 prednáškových hodín a 16 seminárnych hodín.
• Aplikovaná algebra prof. Djakovov, prof. Leontyev, Assoc. Na túto tému sa vyjadril prof. Gurov, 48 prednáškových hodín a 48 seminárnych hodín.
• Strojové učenie od doc. Na túto tému sa vyjadril prof. Voronstova, 32 prednáškových hodín.
• Bayesovské metódy v strojovom učení od doc. Na túto tému sa vyjadril prof. Vetrov, 16 prednáškových hodín a 16 seminárnych hodín.
• Grafické modely doc. Na túto tému sa vyjadril prof. Vetrov, 16 prednáškových hodín a 16 seminárnych hodín.
• Matematické metódy klasifikácie od Prof. Rudakov, 32 prednáškových hodín.
• Počítačový workshop doc. Na túto tému sa vyjadril prof. Maisuradze, 48 prednáškových hodín.
• Spracovanie a analýza obrazu Prof. Mestetsky, 16 prednáškových hodín.
• Algoritmy, modely, algebry od Prof. Dyakonov, 16 prednáškových hodín.
• Aplikovaná štatistika doc. Na túto tému sa vyjadril prof. Voronstova, 16 prednáškových hodín a 16 seminárnych hodín.
• Spracovanie signálu Ass. Na túto tému sa vyjadril prof. Krasotkina, 16 prednáškových hodín.

Špeciálne kurzy:

• Bayesovské metódy strojového učenia od Dr. Vetrov, 16 prednáškových hodín.
• Výpočtové problémy bioinformatiky doc. Na túto tému sa vyjadril prof. Makhortyh a Assoc. Na túto tému sa vyjadril prof. Pankratov, 16 prednáškových hodín.
• Image Mining by Assoc. Na túto tému sa vyjadril prof. Gurevič, 16 prednáškových hodín.
• Výrokový kalkul klasickej logiky od doc. Na túto tému sa vyjadril prof. Gurov, 32 prednáškových hodín.
• Kombinatorické základy teórie informácie od doc. Na túto tému sa vyjadril prof. Voronstova, 16 prednáškových hodín.
• Logické metódy v rozpoznávaní vzorov od doc. Na túto tému sa vyjadril prof. Dyukova, 16 prednáškových hodín.
• Matematické metódy biometrie prof. Rudakov, 16 prednáškových hodín.
• Metrické metódy dolovania dát od doc. Na túto tému sa vyjadril prof. Maisuradze, 16 prednáškových hodín.
• Spojité morfologické modely a algoritmy prof. Mestetsky, 16 prednáškových hodín.
• Neštatistické metódy dolovania a klasifikácie údajov doc. Na túto tému sa vyjadril prof. Ryazanov, 32 prednáškových hodín.
• Zovšeobecnená spektrálno-analytická metóda, 16 prednáškových hodín.

Špeciálne vedecké semináre a smery výskumu:

Algebraický prístup k dolovaniu údajov, strojovému učeniu a rozpoznávaniu vzorov

(akademik RAS Yu. I. Zhuravlyov, člen korešpondent RAS K.V. Rudakov, Dr.Sc. V.V. Ryazanov, Dr.Sc. A.G. Dyakonov).

V rámci algebraického prístupu sú nové algoritmy konštruované ako vzorce nad počiatočnými algoritmami (slabí žiaci) alebo ako booleovské funkcie (logické korektory). Hlavným výsledkom je, že každý algoritmus môže byť prezentovaný ako superpozícia rozpoznávacieho operátora a rozhodovacieho pravidla. Umožňuje popísať výsledky algoritmu ako špeciálne matice – matice odhadov (výstupy rozpoznávacích operátorov) a matice výsledkov (výstupy rozhodovacích pravidiel). Operácie nad algoritmami sú vyvolané operáciami nad zodpovedajúcimi maticami odhadov. Algebraický prístup umožňuje zostaviť vzorce nad algoritmami, vzorce, ktoré sú v testovacej sade správne (alebo majú lepší výkon ako počiatočné algoritmy).

Teória počítačového učenia a aplikácie strojového učenia

(Dr. K. Voroncov)

Jedným z najnáročnejších problémov vo výskume strojového učenia je analýza všeobecného výkonu učiaceho sa stroja. Vyvinula sa kombinatorická teória nadmerného vybavenia, ktorá dáva tesné a v niektorých prípadoch presné hranice zovšeobecnenia. Tieto hranice sa aplikujú na navrhovanie algoritmov učenia v takých podoblastiach strojového učenia, ako je súborové učenie, indukcia pravidiel, dištančné vzdelávanie, výber funkcií, výber prototypov. Ďalším smerom výskumu je získavanie informácií, kolaboratívne filtrovanie a pravdepodobnostné modelovanie tém s aplikáciami na analýzu veľkých zbierok vedeckých dokumentov.

Spojité modely v analýze a klasifikácii tvaru obrazu

(Prof. L. Mesteckij)

Skúmajú sa prístupy a metódy reprezentácie tvaru objektov v digitálnych obrazoch spojitými modelmi. Ľudské oko nevidí diskrétnu povahu digitálnych obrázkov. Obrázky vyzerajú ako súvislé obrázky a je bežnejšie a jednoduchšie ovládať „pevné“ súvislé geometrické modely tvaru. Preto použitie spojitých modelov výrazne zjednodušuje vytváranie algoritmov na analýzu, klasifikáciu a transformáciu obrazových tvarov. Používa sa koncept figúry ako univerzálneho spojitého modelu tvaru. Obrazec je definovaný ako uzavretá oblasť, ktorej hranica pozostáva z konečného počtu nepretínajúcich sa Jordanových kriviek. skúmajú sa tri vzájomne prepojené metódy znázornenia obrazca; ide o hraničné, mediálne a kruhové opisy. Úloha konštrukcie spojitého modelu pre digitálny obraz je redukovaná na aproximáciu tohto obrazu spojitými obrazcami. Potom sa použijú efektívne algoritmy výpočtovej geometrie na analýzu tvaru a súvisiacu klasifikáciu diskrétnych objektov v digitálnych obrazoch.

Bayesovské metódy strojového učenia

(Dr. D. Vetrov a D. Kropotov)

Výskumná práca je zameraná na skúmanie Bayesovského prístupu v teórii pravdepodobnosti a jeho aplikácie pri riešení rôznych problémov strojového učenia a počítačového videnia. Bayesovské metódy sa za posledných 15 rokov stali veľmi rozšírenou technikou. Medzi ich hlavné výhody patrí automatické ladenie štrukturálnych parametrov v modeloch strojového učenia, správny spôsob uvažovania v prípade neistoty, možnosť zvažovania štrukturálnych a pravdepodobnostných interakcií v dátových poliach (na základe aktívne sa rozvíjajúceho konceptu grafických modelov) a prístup pre reprezentácia údajov a parametrov modelu, ktorá umožňuje jednoduché spojenie nepriamych pozorovaní a predchádzajúcich myšlienok.

Vyvinuté techniky sa intenzívne využívajú na riešenie rôznych aplikovaných problémov vrátane analýzy génovej expresie v zvieracích mozgoch počas kognitívnych procesov.

Data mining: Nové výzvy a metódy

Súvisiaci seminár je určený pre študentov 2.-5. ročníka, postgraduálnych študentov a všetkých záujemcov. Prebieha v jarnom semestri formou referátov účastníkov a pozvaných odborníkov. Témy sú rôznorodé. Zahŕňajú (ale nie sú obmedzené na) hypotézu kompaktnosti pri rozpoznávaní vzorov; riešenie booleovských rovníc a syntéza riadiacich obvodov; matematické metódy na analýzu mozgovej aktivity; charakteristiky čiastočne usporiadaných súprav; detekcia spracovania röntgenových snímok a fotografií malieb na základe latentného obrazu; analýza formálnych pojmov v aplikovaných problémoch.

Problémy s klastrovaním

(Akademik RAS Yu. Zhuravlev a Dr. V. Ryazanov)

Existuje mnoho klastrovacích algoritmov založených na rôznych princípoch a vedúcich k rôznym rozdeleniam danej vzorky. Pri absencii štatistických modelov údajov vznikajú problémy s hodnotením a porovnávaním zhlukovania. Zodpovedá výsledné zhlukovanie objektívnej realite, alebo len dostane oddiel? Navrhujú sa kritériá hodnotenia kvality zhlukovania a metódy ich výpočtu. Tieto kritériá nám umožňujú zostaviť súbory klastrových algoritmov.

Intelektuálne dolovanie údajov: nové problémy a metódy

(Dr. S. Gurov a Dr. A. Maisuradze)

Dolovanie údajov v metrických priestoroch

(Dr. A. Maisuradze)

Analýza a odhad informácií obsiahnutých v obrázkoch

(Dr. I. Gurevič)

Logické metódy rozpoznávania vzorov

(Dr. E. Dyukova)

Kombinatorické metódy teórie informácie

(Dr. V. Leontyev)

Problémovo orientované metódy rozpoznávania vzorov

(Člen korešpondent RAS prof. K. Rudakov a Dr. Yu. Čechovich)

Nedávne noviny

1. V.V. Ryazanov a Y.I. Tkachev, Odhad závislostí na základe Bayesovskej korekcie výboru klasifikačných algoritmov // Computat. matematika. a matematika. Fyzika, zv. 50 č. 9, str. 1605-1614, 2010.
2. V.V. Ryazanov, Niektoré imputačné algoritmy na obnovu chýbajúcich údajov // Poznámky z prednášok z počítačovej vedy (LNCS), zv. 7042, str. 372-379, 2011.
3. K. Vorontsov, Exact Combinatorial Bounds on the Probability of overfitting for Empirical Risk Minimalisation // Pattern Recognition and Image Analysis, zv. 20, č. 3, str. 269–285, PDF, 427 kB, 2010.
4. K. Vorontsov a A. Ivakhnenko, Tesné kombinatorické zovšeobecnenie pravidiel pre prahovú konjunkciu // Poznámky k prednáške o informatike. 4th International Conference on Pattern Recognition and Machine Intelligence (PReMI’11), Rusko, Moskva, 27. júna – 1. júla, s. 66–73, PDF, 153 kB, 2011.
5. N. Spirin a K. Vorontsov, Learning to Rank with Nonlinear Monoton Ensemble // Lecture Notes on Computer Science. 10. medzinárodný workshop o systémoch s viacerými triedami (MCS-10). Neapol, Taliansko, 15. – 17. jún, s. 16–25, PDF, 490 kB, 2011.
6. D. Vetrov a A. Osokin, Graph Preserving Label Decomposition in Discrete MRF with Selfish Potentials // Proceedings of International Workshop on Discrete Optiization in Machine learning (DISSML NIPS 2011), 2011.
7. Osokin, D. Vetrov a V. Kolmogorov, Submodular Decomposition Framework for Inference in Associative Markov Networks with Global Constraints // Proceedings of International Conference on Computer Vision and Pattern Recognition (CVPR2011), N.Y., USA, Springer, pp. 135-142, 2011.
8. Yangel a D. Vetrov, Image Segmentation with a Shape Prior Based on Simplified Skelet // Proceedings of International Workhop on Energy Minimization Methods (EMMCVPR2011), 2011.
9. Dyakonov, dva algoritmy odporúčaní založené na deformovaných lineárnych kombináciách // Proc. of ECML-PKDD, 2011, Discovery Challenge Workshop, s. 21-28, 2011.
10. Dyakonov, Teória ekvivalenčných systémov na opis algebraických uzáverov zovšeobecneného modelu odhadu. II // Computational Mathematics and Mathematical Physics, zv. 51, č. 3, str. 490-504, 2011.
11. N. Dyshkant, L. Mestetskiy, B.H. Shekar a Sharmila Kumari, Rozpoznávanie tváre pomocou analýzy komponentov jadra // Neurocomputing, zv. 74, č. 6, str. 1053-1057, 2011.
12. B.H. Shekar, Sharmila Kumari, N. Dyshkant a L. Mestetskiy, FLD-SIFT: Class Based Scale Invariant Feature Transform pre presnú klasifikáciu tvárí // Comm. in Počítačová a informačná veda, 1, Počítačové siete a informačné technológie, roč. 142, časť 1, s. 15-21, 2011.
13. Kurakin a L. Mestetskiy, Rozpoznávanie gest ruky prostredníctvom on-line skeletonizácie – aplikácia spojitej kostry na analýzu tvaru v reálnom čase // Zborník z medzinárodnej konferencie o teórii a aplikáciách počítačového videnia (VISAPP 2011), Vilamoura, Portugalsko, 2011, marec 5-7, str. 555-560, 2011.
14. Bakina, A. Kurakin a L. Mestetskiy, Analýza geometrie ruky spojitými kostrami // Poznámky z prednášok z informatiky, Analýza a rozpoznávanie obrazu, Springer, zv. 6753/2011, časť 2, str. 130-139, 2011.
15. I.G. Bakina a L.M. Mestetskiy, Hand Shape Recognition from Natural Hand Position // Proceedings of the IEEE International Conference on Hand-Based Biometrics, Hong Kong Polytechnic University, Hong Kong, pp. 170-175, 2011.
16. Bilaterálny rusko-indický vedecký workshop o nových aplikáciách počítačového videnia: Workshop Proc. /Ed. od A. Maysuradze - Moskva, MAKS Press, 2011. - 224 s. ISBN 978-5-317-03937-0
17. D.P.Vetrov, D.A.Kropotov, A.A.Osokin a D.A.Laptev, Algoritmy variačnej segmentácie s obmedzeniami frekvencie štítkov // Rozpoznanie vzoru. a Image Anal., zv. 20, č. 3, str. 324-334, 2010.
18. D.P.Vetrov, D.A.Kropotov, A.A.Osokin, A.Lebedev, V.Galatenko a K.Anokhin, Interaktívna metóda anatomickej segmentácie a odhadu génovej expresie pre experimentálny mozgový rez myši // Proc. zo 7. stážistu. Conf. o metódach výpočtovej inteligencie pre bioštatistiku a bioinformatiku, Palermo, Taliansko: Springer, č. 1, str. 23-34, 2010.
19. D.P.Vetrov a V.Vishnevsky, Algoritmus na detekciu fuzzy vzorcov správania // Proc. of Measuring Behaviour 2010, 7. intern. Conf. o metódach a technikách výskumu správania, Eindoven, Holandsko: Springer, č. 1, str. 41-45, 2010.
20. S.I. Gurov, Nový princíp špecifikovania apriórneho odhadu distribúcie a intervalu konzistencie // Scientific Computing. Proc. stážistu. Eugene Lawler PhD škola. Waterford, Írsko: WIT press, s. 8-20, 2010.
21. S.I. Gurov, Odhad pravdepodobnosti nulovej udalosti // Scientific Computing. Proc. stážistu. Eugene Lawler PhD škola. Waterford, Írsko: WIT press, s. 198-209, 2010.
22. A.I. Maysuradze, Doménovo orientované základne v priestoroch konečných metrík danej úrovne // Scientific Computing. Proc. stážistu. Eugene Lawler PhD škola. Waterford, Írsko: WIT press, s. 210-221, 2010.
23. D.P.Vetrov, D.A.Kropotov a A.A.Osokin, rekonštrukcia 3-D modelu mozgu myši zo sekvencie 2-d rezov v aplikácii na atlas mozgu allen // Metódy výpočtovej inteligencie pre bioinformatiku a bioštatistiku. Poznámky z prednášok z informatiky, Berlín, Nemecko: Springer, č. 6160, str. 291-303, 2010.
24. E.V.Djukova, Yu.I.Zhuravlev a R.M.Sotnezov, Konštrukcia súboru logických korektorov na základe elementárnych klasifikátorov // Pattern Recogn. a Image Anal., zv. 21, č. 4, str. 599-605, 2011.
25. D.P.Vetrov a B.K.Yangel, Segmentácia obrazu s tvarovým priorom na základe zjednodušuje kostru // Proc. of Intern. Workshop o metódach minimalizácie energie. Berlín, Nemecko: Springer, s. 148-161, 2011.

1. Novikov Alexander, Rodomanov Anton, Osokin Anton a Vetrov Dmitrij. Nasadenie mrfs na tenzorový vlak. Journal of Machine Learning Research, 32(1):811–819, 2014.
2. A. Osokin a D. Vetrov. Submodulárna relaxácia pre odvodenie v markovských náhodných poliach. IEEE Transactions on Pattern Analysis and Machine Intelligence, 99, 2014.
3. Bartunov Sergey a Vetrov Dmitrij. Variačná inferencia pre sekvenčný proces čínskej reštaurácie závislý od vzdialenosti. Journal of Machine Learning Research, 32(1):1404–1412, 2014.
4. L. Mesteckij. Znázornenie lineárneho segmentového voronoiovho diagramu Bézierovými krivkami. In Proceedings of the 24th International Conf. GRAPHIKON-2014, strany 83–87. Akadémia architektúry a umenia SFU Rostov na Done, 2014.
5. S.V. Ablameyko, A.S. Biryukov, A.A. Dokukin, A.G. D'jakov, Yu I. Zhuravlev, V.V. Krasnoprošin, V.A. Obrazcov, M. Yu Romanov a V.V. Rjazanov. Praktické algoritmy pre algebraické a logické opravy v problémoch rozpoznávania založených na precedensoch. Computational Mathematics and Mathematical Physics, 54(12):1915–1928, 2014.
6. Tsoumakas Grigorios, Papadopoulos Apostolos, Qian Weining, Vologiannidis Stavros, D "yakonov Alexander, Puurula Antti, Read Jesse, Švec Jan a Semenov Stanislav. Múdra výzva na rok 2014: Klasifikácia článkov tlačených médií podľa viacerých tém. Poznámky k prednáške z informatiky , 8787:541–548, 2014.
7. Vorontsov K. V. Aditívna regulácia pre tematické modely textových zbierok // Doklady Mathematics. 2014, Pleiades Publishing, Ltd. - sv. 89, č. 3, str. 301-304.
8. Vorontsov K. V., Potapenko A. A. Návod na pravdepodobnostné modelovanie tém: aditívna regularizácia pre stochastickú maticovú faktorizáciu // AIST’2014, Analýza obrázkov, sociálnych sietí a textov. Springer International Publishing Švajčiarsko, 2014. Communications in Computer and Information Science (CCIS). Vol. 436.pp. 29-46.
9. Uspenskiy VM, Vorontsov KV, Tselykh VR, Bunakov VA Informačná funkcia srdca: Diskrétne a fuzzy kódovanie EKG signálu pre multichorobný diagnostický systém // v pokrokoch v matematických a výpočtových nástrojoch v metrológii a testovaní X (zv. 10), Séria o pokrokoch v matematike pre aplikované vedy, zv. 86, World Scientific, Singapur (2015), s. 375-382.
10. Vorontsov K. V., Potapenko A. A. Aditívna regulácia topických modelov // Machine Learning Journal. Špeciálne vydanie „Analýza údajov a inteligentná optimalizácia s aplikáciami“ (zobrazí sa).

1. Gurov S.I. Odhad spoľahlivosti klasifikačného algoritmu na základe nového informačného modelu // Výpočet. Matematika a matematika. Phys. 2013. 53. N 5. S. 640-656.
2. Nekrasov K.V., Laptev D.A., Vetrov D.P. Automatické určenie rýchlosti delenia buniek pomocou mikroskopických obrázkov // Rozpoznanie vzoru. and Image Anal. 2013. 23. N 1. S. 105-110.
3. Osokin A.A., Amelchenko E.M., Zworikina S.V., Čechov S.A., Lebedev A.E., Voronin P.A., Galatenko V.V., Vetrov D.P., Anokhin K.V. Štatistické parametrické mapovanie zmien v génovej aktivite v mozgu zvierat počas akustickej stimulácie // Bulletin experimentálnej biológie a medicíny. 2013. 154. N 5. S. 697-699.
4. Voronin P.A., Vetrov D.P., Ismailov K. Prístup k segmentácii obrazov mozgu myší prostredníctvom intermodálnej registrácie // Rozpoznanie vzoru. and Image Anal. 2013. 23. N 2. S. 335-339.
5. Zhuravlev Y.I., Laptin Y., Vinogradov A., Likhovid A. Porovnanie niektorých prístupov k problémom rozpoznávania v starostlivosti o dve triedy // Information Models & Analyses. 2013. 2. N 2. S. 103-111.
6. Chernyshov V.A., Mestetskiy L.M. Mobilný systém strojového videnia na rozpoznávanie pomocou dlane // Proc. z 11. stážistky. Conf. rozpoznávanie vzorov. and Image Anal.: New Information Technologies. N 1. Samara: ISOI RAN, 2013. S. 398-401.
7. Djukova E.V., Lyubimtseva M.M., Prokofjev P.A. Logické korektory v problémoch rozpoznávania // Proc. z 11. stážistky. Conf. rozpoznávanie vzorov. and Image Anal.: New Information Technologies. N 1. Samara: ISOI RAN, 2013. S. 82-83.
8. Dyshkant N.F. Porovnanie mračien bodov získaných 3D skenerom // Diskrétna geometria pre počítačové snímky. 17. Stážista. Conf. Poznámky z prednášok z informatiky. N 7749. Berlín, Nemecko: Springer, 2013. S. 47-58.
9. Gurov S.I., Prokasheva O.V., Onishchenko A.A. Klasifikačné metódy založené na formálnej koncepčnej analýze // The 35th European FCAIR 2013-Formal Concept Analysis Meets Information Retrieval. N 1. M.: Vydavateľstvo Vysokej školy ekonomickej Národnej výskumnej univerzity, 2013. S. 95-104.
10. Mestetskiy L.M., Zimovnov A.V. Extrakcia krivky-kostra pomocou siluety" mediálnych osí // GrafiCon"2013. 23. medzinárodná konferencia o počítačovej grafike a videní. Zborník z konferencie. Vladivostok: Dalnauka, 2013. S. 91-94.
11. Osokin A., Kohli P., Jegelka S. Principiálny model hlbokého náhodného poľa pre segmentáciu obrazu // 2013 IEEE Conf. o počítačovom videní a rozpoznávaní vzorov. N.Y., USA: IEEE Computer Society Press, 2013. S. 1971-1978.
12. Zhuravlev Y.I., Gurevich I., Trusova Yu., Vashina V. Výzva, problémy a úlohy deskriptívnych prístupov k analýze obrazu // Proc. z 11. stážistky. Conf. rozpoznávanie vzorov. and Image Anal.: New Information Technologies. N 1. Samara: ISOI RAN, 2013. S. 30-35.
13. Dyakonov A.G. Deformácia odoziev algoritmov analýzy údajov // Spektrálne a evolučné problémy. č. 23. Simferopol, Ukrajina: Tauridská národná univerzita V. Vernadského, 2013. C. 74-78.

1. Bondarenko N.N., Zhuravlev Yu.I. Algoritmus na výber spojok pre metódy logického rozpoznávania // Výpočet. Matematika a matematika. Phys. 2012. 52. N 4. S. 746-749.
2. D "yakonov A.G. Kritériá pre singularitu párovej matice vzdialenosti L1 a ich zovšeobecnenia // Izvestiya. Mathematics. 2012. 76. N 3. S. 517-534.
3. Oniščenko A.A., Gurov S.I. Klasifikácia založená na formálnej pojmovej analýze a biklastrovaní: možnosti prístupu // Computational Mathematics and Modeling. 2012. 23. N 3. S. 329-336.
4. Voronin P.A., Adinetz A.V., Vetrov D.P. Nové opatrenie pre porovnávanie tvaru na základe vzdialenosti // GrafiKon "2012. 22. medzinárodná konferencia o počítačovej grafike a videní. Zborník z konferencie. Moskva: MAKS Press, 2012. S. 101-106.
5. D "yakonov A.G. Zmiešavanie jednoduchých algoritmov pre aktuálnu klasifikáciu // Hrubé množiny a súčasné trendy vo výpočtovej technike. Poznámky k prednáškam z informatiky. N 7413. Berlín, Nemecko: Springer, 2012. S. 432-438.
6. Osokin A.A., Vetrov D.P. Submodulárna relaxácia pre MRF s potenciálom vysokého rádu // Počítačové videnie - ECCV 2012. Workshopy a demonštrácie. Poznámky z prednášok z informatiky. N 7585. Berlín, Nemecko: Springer, 2012. S. 305-314.
7. Voronin P.A., Vetrov D.P. Robustné dištančné polia pre registráciu založenú na tvare // Intelektualizácia spracovania informácií: 9. medzinárodná konferencia. M.: Torus Press, 2012. S. 382-385.
8. Yangel B.K., Vetrov D.P. Globálne optimálna segmentácia s tvarom založeným na grafe pred // Intelektualizácia spracovania informácií: 9. medzinárodná konferencia. M.: Torus Press, 2012. S. 456-459.

Prezident - akademik Ruskej akadémie vied Moiseev Evgeny Ivanovič
Úradujúci dekan - akademik Ruskej akadémie vied Sokolov Igor Anatolievich

Fakulta výpočtovej matematiky a kybernetiky (VMC) Lomonosovovej Moskovskej štátnej univerzity je vedúcou tréningové centrum Rusko na školenie personálu v oblasti základného výskumu v aplikovanej matematike, výpočtovej matematike, informatike a programovaní.

Fakulta bola založená v roku 1970. Samotným faktom jeho vytvorenia, vývoja štruktúry a hlavných smerov vedecká činnosť fakulta CMC je úplne zaviazaná jednému z najväčších vedcov v Rusku - akademikovi Andrejovi Nikolajevičovi Tichonovovi. Úsilie A.N. Tichonov na vytvorenie fakulty CMC získal podporu akademika M. V. Keldysh - v tom čase prezident Akadémie vied ZSSR. Okrem A.N. Tichonova, ktorý bol v prvých 20 rokoch jej existencie dekanom fakulty CMC, významnú úlohu zohrali prví členovia fakulty: akademik L.S. Pontryagin, členovia korešpondentov Akadémie vied ZSSR L.N. Boľšev a S.V. Yablonsky a profesor I.S. Berezin a Yu.B. Germeier.

V posledných rokoch sa na fakulte vytvorili popredné vedecké školy v Rusku v rôznych základných oblastiach aplikovanej matematiky a informatiky: v teórii zle položených problémov, v matematickej fyzike a spektrálnej teórii diferenciálnych rovníc, v nelineárnej dynamické systémy a procesy riadenia, vo výpočtových metódach a matematickom modelovaní, v teórii hier a operačnom výskume, optimálne riadenie a systémová analýza, matematická kybernetika a matematická logika, teória pravdepodobnosti a matematická štatistika, aplikované a teoretické programovanie, architektúra počítačových systémov a sietí.

Na fakulte CMC je 19 katedier: matematická fyzika, výpočtové metódy, všeobecná matematika, funkcionálna analýza a jej aplikácie, automatizácia vedeckého výskumu, výpočtové technológie a modelovanie, superpočítače a kvantová informatika, nelineárne dynamické systémy a procesy riadenia, optimálne riadenie, systém analýza, matematická štatistika, operačný výskum, matematické prognostické metódy, matematická kybernetika, systémové programovanie, algoritmické jazyky, systémová automatizácia výpočtových systémov, informačná bezpečnosť, anglicky.

Medzi vedúcimi katedier sú akademici Yu.I. Zhuravlev, A.B. Kurzhansky, E.I. Moiseev, Yu.S. Osipov, I.A. Sokolov, E.E. Tyrtyšnikov, B.N. Chetvertushkin, člen korešpondent V.V. Voevodin, A.I. Avetisyan, R.L. Smelyansky.

Vzdelávanie na fakulte sa uskutočňuje podľa týchto základných vzdelávacích programov pre prípravu bakalárskeho a magisterského štúdia: 010300 „Základná informatika a informačné technológie“, 010400 „Aplikovaná matematika a informatika“.

Učebné osnovy pre študentov študujúcich na fakulte CMC Moskovskej štátnej univerzity v rámci bakalárskych študijných programov poskytujú základnú matematickú prípravu. Študenti študujú počet, teóriu funkcií komplexnej premennej, funkcionálnu analýzu, lineárnu algebru, analytickú geometriu, obyčajné diferenciálne rovnice, rovnice matematickej fyziky, teóriu pravdepodobnosti, matematickú štatistiku, matematickú logiku, diskrétnu matematiku, numerické metódy, operačný výskum, teóriu hier , optimálne ovládanie , extrémne úlohy.

Študenti fakulty čítajú široké spektrum predmetov súvisiacich s výpočtovou technikou a programovaním: algoritmy a algoritmické jazyky, architektúra počítača a jazyk symbolov, operačné systémy, aplikačný softvér, počítačová grafika, paralelné výpočty, databázy, operačné systémy, umelá inteligencia, objektové orientované programovanie, počítačové siete, sieťové technológie, programovacie systémy, verifikácia programu na modeloch, objektovo orientovaná analýza a návrh, formálne metódy špecifikácie programu.

zohráva významnú úlohu pri príprave praktická práca na počítačoch, vrátane práce na vysokovýkonných výpočtových systémoch. Študenti sa počas školenia naučia pracovať vo viacerých operačných systémoch a naučia sa minimálne tri programovacie jazyky. Všetci študenti študujú angličtinu a cyklus humanitných vied.

V prvých dvoch kurzoch prebieha školenie podľa všeobecných učebných osnov a programov. Hlavná pozornosť je venovaná všeobecnej matematickej príprave a teoretickému a aplikovanému programovaniu. V poslednej dobe sa veľká pozornosť venuje využívaniu superpočítačov, superpočítačovým technológiám pri modelovaní a paralelným výpočtom. Od tretieho ročníka sa študenti špecializujú na vybrané odbory. Každý študent pracuje na špeciálnom seminári a má svojho školiteľa.

Absolventi bakalárskeho odboru sa môžu ďalej vzdelávať v magisterskom úrade fakulty. Doba štúdia na magistráte je 2 roky. Prijímanie na magistrát sa uskutočňuje na základe výberového konania. Absolventi magisterského študijného programu fakulty, ktorí prejavili náklonnosť k vedeckej práci, môžu pokračovať v štúdiu na fakulte v nadstavbovom štúdiu. Obdobie denného postgraduálneho štúdia je 4 roky.

Školenie majstrov v smere "Aplikovaná matematika a informatika" sa uskutočňuje podľa programov: "Výpočtové technológie a modelovanie", "Spektrálna teória diferenciálnych operátorov a riadenia distribuovaných systémov", "Numerické metódy a matematické modelovanie", " Počítačové metódy v matematickej fyzike, inverzné úlohy a spracovanie obrazu", "Moderné metódy matematického modelovania", "Operačný výskum a poistná matematika", "Diskrétne štruktúry a algoritmy", "Diskrétne riadiace systémy a ich aplikácie", "Štatistická analýza a riziko predikcia“, „Bezpečnosť informácií počítačové systémy““, „Teória nelineárnych dynamických systémov: analýza, syntéza a riadenie“, „Matematické metódy modelovania a optimalizačné metódy pre riadené procesy“, „Logické a kombinatorické metódy analýzy dát“, „Matematické metódy systémovej analýzy, dynamiky a riadenia“ ,“ Inteligentné systémy““, „Inteligentná analýza veľkých dát“, „Technológie kompilátorov“, „Technológie programovania“, „Superpočítačové systémy a aplikácie“, „Distribuované systémy a počítačové siete“, „Kvantová informatika“, „Softvér pre počítačové siete“, „Matematické a softvérová informačná bezpečnosť“, „Matematické a počítačové metódy spracovania obrazu“, „Technológie paralelného programovania a vysokovýkonné výpočty“, „Veľké dáta: infraštruktúra a metódy riešenia problémov“. Školenie majstrov v smere "Základná informatika a informačné technológie" sa uskutočňuje podľa programov: "Otvorené informačné systémy", "Informačné systémy pre podnikový manažment".

Vzdelávanie na fakulte je nemysliteľné bez úzkeho prepojenia s vedou. Študenti sa nevyhnutne zapájajú do vedeckého výskumu vykonávaného na katedrách fakulty, v akademických inštitúciách alebo vo vedeckých laboratóriách. Na fakulte sú zriadené výskumné laboratóriá: matematická fyzika, výpočtová elektrodynamika, modelovanie procesov prenosu tepla a hmoty, inverzné úlohy, matematické metódy spracovania obrazu, matematické modelovanie vo fyzike, diferenčné metódy, otvorené informačných technológií, štatistická analýza, matematické problémy počítačovej bezpečnosti, výpočtová dielňa a informačné systémy, počítačové systémy, informačné systémy vo vzdelávaní a vedecký výskum, počítačová grafika a multimédiá, programovacie technológie, elektronické počítače, nástroje v matematickom modelovaní, priemyselná matematika, ale aj študentské výskumné laboratórium Intel a technologické laboratórium Microsoft.

Fakulta je dobre vybavená počítačmi. Existuje niekoľko tried počítačov vybavených najnovšou multimediálnou technológiou a softvérom založeným na procesoroch Intel, niekoľko tried pracovných staníc s operačnými systémami UNIX. Všetky triedy sú napojené na lokálnu sieť založenú na optickom pripojení s prístupom na internet. Fakulta disponuje niekoľkými grafickými stanicami, vrátane HP Apollo-9000, vysokovýkonného klastra, viacprocesorových superpočítačov IBM eServer pSeries 690 Regatta. V roku 2008 fakulta nainštalovala superpočítač IBM Blue Gene/P s kapacitou asi 30 teraflopov (bilión operácií s pohyblivou rádovou čiarkou za sekundu). Od roku 2009 je v prevádzke Lomonosov superpočítač.

Fakulta má úzke pracovné kontakty s veľkými IT spoločnosťami ako Intel, Microsoft, Microsoft Research, IBM, Hewlett-Packard, Sun, Cisco, SAP, Samsung; mnoho ruských spoločností: Luxoft, Redlab, IT, Garant, Consultant-Plus, DVM, Kaspersky Lab, Mail.Ru Group a ďalšie. Na fakulte pôsobí regionálna akadémia CISCO. Spolu s ústavmi Ruskej akadémie vied bolo na fakulte vytvorené vzdelávacie a vedecké centrum pre modelovanie superpočítačov.

Problémy s uplatnením absolventov fakulty nie sú. Absolventi fakulty pracujú vo všetkých oblastiach, kde sa využíva výpočtová technika: akademické a výskumné ústavy, vysoké školy, štátne a vládne agentúry, banky, poisťovne, finančné, poradenské firmy, ruské a zahraničné firmy a pod. Približne tretina absolventov pokračuje v postgraduálnom vzdelávaní .

S viacerými zahraničnými univerzitami má fakulta uzatvorené zmluvy o spolupráci a výmene študentov. Spojenie hĺbkovej teoretickej prípravy s aktívnou praktickou a výskumnou prácou pod vedením pedagógov a vedeckých pracovníkov robí absolventov fakulty konkurencieschopnými na trhu práce.