Кратко описание на катедрите на факултет CMC. Факултет по изчислителна математика и кибернетика, Московски държавен университет Катедра по математически методи за прогнозиране

Ръководител на катедрата: Журавлев Юрий, акад. на РАН, професор, д.ик.н.

Информация за контакт Друга информация за контакт

119991, Москва, GSP-1, Leninskiye Gory, MSU, 2-ри учебен корпус, CMC факултет, стаи 530, 532, 573, 680 (ръководител на катедрата)

Катедрата обучава специалисти по машинно обучение, извличане на данни, алгоритми за обработка на изображения и техните приложения в природните науки, икономиката, финансите и др. Специализацията на катедрата включва математически методи за диагностициране на сложни системи (в т.ч. технико-икономически), анализиране на тези системи, конструиране на оптимални или близки до оптимални решения, базирани на косвена, непълна или противоречива информация.

По време на обучението студентите получават основно образование в различни области на математиката като съвременна алгебра и математическа логика, теория на алгоритмите, дискретна и комбинаторна математика, математически модели на изкуствен интелект, включително математическите методи за разпознаване на модели, машинно обучение, обработка на изображения, теория на вероятностите, приложна статистика, графични модели.

Посещавайки практически занятия, студентите придобиват умения за работа със съвременни бази данни и софтуер, усвояват съвременни езици и техники за програмиране, придобиват опит в решаването на приложни задачи. Студентите също така имат практика в изследователски институции на Руската академия на науките, иновативни компании, финансови организации и др. До времето на своите майстори много от тях вече имат доклади в научни списания и доклади от водещи конференции.

Катедрата подготвя професионалисти в разработването и прилагането на математически методи за решаване на различни проблеми с обработката на данни като системи за оценка, откриване на измами, прогнозиране на продажби на дребно, биоинформатика, обработка на естествен език, компютърно зрение, експертни системи и др.

Членове на персонала:

Рудаков Константин, член-кореспондент на РАН, професор, д.ик.н.
Местецки Леонид, член-кореспондент на РАН, професор, д.ик.н.
Дяконов Александър, професор, д.ик.н.
Леонтиев Владимир, професор, д.ик.н.
Воронцов Константин, доцент, д.ик.н.
Гуревич Игор, доцент, д-р
Гуров Сергей, доцент, д-р
Дюкова Елена, доцент, д.ик.н.
Майсурадзе Арчил, доцент, д-р
Рязанов Владимир, доцент, д.ик.н.
Сенко Олег, доцент, д.ик.н.
Ветров Дмитрий, доцент, д-р
Кропотов Дмитрий, изследовател, научен секретар на катедрата

Редовни курсове:

Алгебрични методи в машинното обучение от проф. Журавлев, 16 лекционни часа и 16 семинарни часа.
Приложна алгебра от проф. Дяконов, проф. Леонтиев, доц. Проф. Гюров, 48 лекционни часа и 48 семинарни часа.
Машинно обучение от ст.н.с. Проф. Воронстов, 32 лекционни часа.
Байесови методи в машинното обучение от ст.н.с. Проф. Ветров, 16 лекционни часа и 16 семинарни часа.
Графични модели от ст.н.с. Проф. Ветров, 16 лекционни часа и 16 семинарни часа.
Математически методи на класификация от проф. Рудаков, 32 лекционни часа.
Компютърна работилница от ст.н.с. Проф. Майсурадзе, 48 лекционни часа.
Обработка и анализ на изображения от проф. Местецки, 16 лекционни часа.
Алгоритми, модели, алгебри от проф. Дяконов, 16 лекционни часа.
Приложна статистика от ст.н.с. Проф. Воронстов, 16 лекционни часа и 16 семинарни часа.
Обработка на сигнали от ас. Проф. Красоткина, 16 лекционни часа.

Специални курсове:

Байесовите методи за машинно обучение от Dr. Ветров, 16 лекционни часа.
Изчислителни проблеми на биоинформатиката от ст.н.с. Проф. Махортих и доц. Проф. Панкратов, 16 лекционни часа.
Image Mining от ст.н.с. Проф. Гуревич, 16 лекционни часа.
Пропозиционално смятане на класическата логика от ст.н.с. Проф. Гюров, 32 лекционни часа.
Комбинаторни основи на теорията на информацията от ст.н.с. Проф. Воронстов, 16 лекционни часа.
Логически методи в разпознаването на образи от ст.н.с. Проф. Дюкова, 16 лекционни часа.
Математически методи на биометрия от проф. Рудаков, 16 лекционни часа.
Метрични методи за извличане на данни от ст.н.с. Проф. Майсурадзе, 16 лекционни часа.
Непрекъснати морфологични модели и алгоритми от проф. Местецки, 16 лекционни часа.
Нестатистически методи за извличане на данни и класификация от ст.н.с. Проф. Рязанов, 32 лекционни часа.
Обобщен спектрално-аналитичен метод, 16 лекционни часа.

Специални научни семинари и направления на изследване:

Алгебричен подход към извличане на данни, машинно обучение и разпознаване на модели

(Академик на РАН Ю. И. Журавльов, член-кореспондент на РАН К. В. Рудаков, д-р С. В. В. Рязанов, д-р С. А. Г. Дяконов).

В рамките на алгебричния подход новите алгоритми се конструират като формули върху първоначалните алгоритми (слабо обучаеми) или като булеви функции (логически коректори). Основният резултат е, че всеки алгоритъм може да бъде представен като суперпозиция на оператор за разпознаване и правило за решение. Позволява да се опишат резултатите от алгоритъма като специални матрици - матрици за оценка (изходи на оператори за разпознаване) и матрици на резултатите (изходи от правила за вземане на решения). Операциите над алгоритмите се индуцират от операции над съответните матрици за оценка. Алгебричният подход позволява да се конструират формули върху алгоритми, формулите, които са правилни в тестовия набор (или имат по-добра производителност от първоначалните алгоритми).

Теория на компютърното обучение и приложения за машинно обучение

(д-р К. Воронцов)

Един от най-предизвикателните проблеми в изследванията на машинното обучение е анализирането на общата производителност на обучаваща машина. Разработена е комбинаторна теория на свръхоборудването, която дава строги и в някои случаи точни обобщаващи граници. Тези граници се прилагат за проектиране на алгоритми за обучение в такива подобласти на машинно обучение като ансамбълово обучение, въвеждане на правила, дистанционно обучение, избор на функции, избор на прототип. Друга изследователска посока е извличане на информация, съвместно филтриране и вероятностно тематично моделиране с приложения за анализ на големи колекции от научни документи.

Непрекъснати модели в анализа и класификацията на формата на изображението

(проф. Л. Местецки)

Изследват се подходи и методи за представяне на формата на обекти в цифрови изображения чрез непрекъснати модели. Човешкото око не вижда дискретната природа на цифровите изображения. Изображенията изглеждат като непрекъснати картини и е по-обичайно и по-лесно да се управляват „твърди“ непрекъснати геометрични модели на формата. Следователно използването на непрекъснати модели значително опростява създаването на алгоритми за анализиране, класифициране и трансформиране на форми на изображения. Използва се концепцията за фигура като универсален непрекъснат модел на формата. Фигурата се дефинира като затворена област, чиято граница се състои от краен брой непресичащи се Йорданови криви. Изследват се три взаимосвързани метода за представяне на фигури; това са гранични, медиални и кръгови описания. Задачата за конструиране на непрекъснат модел за цифровото изображение се свежда до апроксимацията на това изображение чрез непрекъснати фигури. След това се прилагат ефективни алгоритми за изчислителна геометрия за анализа на формата и свързаната класификация на дискретни обекти в цифрови изображения.

Байесови методи в машинното обучение

(д-р Д. Ветров и Д. Кропотов)

Изследователската работа е фокусирана върху изследване на байесовия подход в теорията на вероятностите и неговото приложение за решаване на различни проблеми с машинно обучение и компютърно зрение. Байесовите методи се превърнаха в широко разпространена техника през последните 15 години. Основните им предимства включват автоматична настройка на структурните параметри в моделите за машинно обучение, правилен начин за разсъждение в случай на несигурност, възможност за разглеждане на структурни и вероятностни взаимодействия в масиви от данни (на базата на активно развиваща се концепция за графични модели) и подход за представяне на параметри на данни и модел, което позволява лесно сливане на косвени наблюдения и предходни идеи.

Разработените техники се използват интензивно за решаване на различни приложни проблеми, включително анализ на генната експресия в мозъка на животните по време на когнитивни процеси.

Извличане на данни: нови предизвикателства и методи

Свързаният семинар е предназначен за студенти от 2-5 курс, аспиранти и всички желаещи. Провежда се през пролетния семестър под формата на доклади на участниците и поканени експерти. Темите са разнообразни. Те включват (но не се ограничават до) хипотезата за компактност при разпознаване на образи; решението на булеви уравнения и синтез на управляващи вериги; математически методи за анализ на мозъчната дейност; характеристики на частично подредени множества; откриване на скрита образна обработка на рентгенови снимки и снимки на картини; анализ на формалните понятия в приложните проблеми.

Проблеми с групирането

(акад. на РАН Ю. Журавлев и д-р В. Рязанов)

Има много алгоритми за клъстериране, базирани на различни принципи и водещи до различни дялове на дадена извадка. При липсата на статистически модели на данни възникват проблеми с оценката и сравнението на клъстерирането. Полученото клъстериране отговаря ли на обективната реалност или просто получава дял? Разработени са критерии за оценка на качеството на клъстерирането и методи за тяхното изчисляване. Тези критерии ни позволяват да изградим ансамбли от алгоритми за клъстериране.

Интелектуално извличане на данни: нови проблеми и методи

(д-р С. Гюров и д-р А. Майсурадзе)

Извличане на данни в метрични пространства

(д-р А. Майсурадзе)

Анализ и оценка на информацията, съдържаща се в изображенията

(д-р И. Гуревич)

Логически методи за разпознаване на образи

(д-р Е. Дюкова)

Комбинаторни методи на теорията на информацията

(д-р В. Леонтиев)

Проблемно ориентирани методи за разпознаване на образи

(член-кореспондент на РАН проф. К. Рудаков и д-р Ю. Чехович)

Последни документи

В.В. Рязанов и Y.I. Ткачев, Оценка на зависимостите на базата на байесова корекция на комитет от класификационни алгоритми // Computat. Матем. и математика. Физика, кн. 50. бр. 9, стр. 1605-1614, 2010 г.
В.В. Рязанов, Някои импутационни алгоритми за възстановяване на липсващи данни // Бележки за лекции по компютърни науки (LNCS), кн. 7042, стр. 372-379, 2011.
К. Воронцов, Точни комбинаторни граници на вероятността от свръхоборудване за минимизиране на емпиричния риск // Разпознаване на образци и анализ на изображения, кн. 20, бр. 3, стр. 269-285, PDF, 427 Kb, 2010 г.
К. Воронцов и А. Ивахненко, Тесни комбинаторни обобщаващи граници за прагови правила за конюнкция // Бележки за лекции по компютърни науки. 4-та международна конференция за разпознаване на образи и машинен интелект (PReMI'11), Русия, Москва, 27 юни – 1 юли, стр. 66–73, PDF, 153Kb, 2011.
Н. Спирин и К. Воронцов, Да се научим да класираме с нелинеен монотонен ансамбъл // Бележки за лекции по компютърни науки. 10-ти международен семинар по множество Classidier системи (MCS-10). Неапол, Италия, 15–17 юни, стр. 16–25, PDF, 490Kb, 2011.
Д. Ветров и А. Осокин, Разлагане на етикети за запазване на графики в дискретни MRFs с егоистични потенциали // Proceedings of International Workshop on Discrete Optiization in Machine Learning (DISSML NIPS 2011), 2011.
Osokin, D. Vetrov and 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.
Янгел и Д. Ветров, Сегментиране на изображение с предварителна форма, базирана на опростен скелет // Proceedings of International Workhop on Energy Minimization Methods (EMMCVPR2011), 2011.
Дяконов, Два препоръчителни алгоритма, базирани на деформирани линейни комбинации // Proc. на ECML-PKDD, 2011 г., Workshop Discovery Challenge, стр. 21-28, 2011.
Дяконов, Теория на системите за еквивалентност за описание на алгебрични затваряния на обобщен модел за оценка. II // Изчислителна математика и математическа физика, кн. 51, бр. 3, стр. 490-504, 2011.
N. Dyshkant, L. Mestetskiy, B.H. Шекар и Шармила Кумари, Разпознаване на лица чрез анализ на компонентите на ядрото // Neurocomputing, vol. 74, бр. 6, стр. 1053-1057, 2011.
Б.Х. Shekar, Sharmila Kumari, N. Dyshkant и L. Mestetskiy, FLD-SIFT: Преобразуване на инвариантни характеристики, базирани на клас, за точна класификация на лица // Comm. по компютърни и информационни науки, 1, Компютърни мрежи и информационни технологии, кн. 142, част 1, стр. 15-21, 2011.
Куракин и Л. Местецки, Разпознаване на жестове с ръце чрез он-лайн скелетизиране - приложение на непрекъснат скелет към анализ на формата в реално време // Сборник на Международната конференция по теория и приложения на компютърното зрение (VISAPP 2011), Виламура, Португалия, 2011 г., март 5-7, с. 555-560, 2011.
Бакина, А. Куракин и Л. Местецки, Анализ на геометрията на ръцете чрез непрекъснати скелети // Бележки от лекции по компютърни науки, Анализ и разпознаване на изображения, Springer, vol. 6753/2011 г., част 2, стр. 130-139, 2011.
I.G. Бакина и Л.М. Mestetskiy, Разпознаване на формата на ръката от естествена позиция на ръката // Proceedings of the IEEE International Conference on Hand-Based Biometrics, Hong Kong Polytechnic University, Hong Kong, pp. 170-175, 2011.
Двустранен руско-индийски научен семинар за нововъзникващи приложения на компютърното зрение: Workshop Proc. / Изд. от А. Майсурадзе - Москва, MAKS Press, 2011 .-- 224 с. ISBN 978-5-317-03937-0
Д. П. Ветров, Д. А. Кропотов, А. А. Осокин и Д. А. Лаптев, Алгоритми за вариационна сегментация с честотни ограничения на етикета // Разпознаване на шаблони. и Image Anal., vol. 20, бр. 3, стр. 324-334, 2010.
Д. П. Ветров, Д. А. Кропотов, А. А. Осокин, А. Лебедев, В. Галатенко и К. Анохин, Интерактивен метод за анатомична сегментация и оценка на генната експресия за експериментален миши мозъчен срез // Proc. на 7-ми стажант. конф. за изчислителни интелигентни методи за биостатистика и биоинформатика, Палермо, Италия: Springer, бр. 1, стр. 23-34, 2010.
Д. П. Ветров и В. Вишневски, Алгоритъмът за откриване на размити поведенчески модели // Proc. по измерване на поведението 2010 г., 7-ми стажант. конф. за методите и техниките в поведенческите изследвания, Айндовен, Холандия: Springer, бр. 1, стр. 41-45, 2010.
С. И. Гуров, Нов принцип за определяне на априорно разпределение и оценка на интервала на съгласуваност // Научни изчисления. Proc. на стажант. Юджийн Лоулър д-р Училище. Уотърфорд, Ирландия: WIT press, стр. 8-20, 2010 г.
С. И. Гуров, Оценка на вероятността за 0-събитие // Научни изчисления. Proc. на стажант. Юджийн Лоулър д-р Училище. Уотърфорд, Ирландия: WIT press, стр. 198-209, 2010.
А. И. Майсурадзе, Домейн-ориентирани бази в пространства с крайни метрики от даден ранг // Научно изчисление. Proc. на стажант. Юджийн Лоулър д-р Училище. Уотърфорд, Ирландия: WIT press, стр. 210-221, 2010.
Д. П. Ветров, Д. А. Кропотов и А. А. Осокин, реконструкция на 3-D модел на миши мозък от последователност от 2-d резени в приложение към атлас на мозъка на Ален // Изчислителни методи за интелигентност за биоинформатика и биостатистика. Бележки от лекции по компютърни науки, Берлин, Германия: Springer, бр. 6160, стр. 291-303, 2010.
Е. В. Джукова, Ю. И. Журавлев и Р. М. Сотнезов, Построяване на ансамбъл от логически коректори на базата на елементарни класификатори // Разпознаване на образци. и Image Anal., vol. 21, бр. 4, стр. 599-605, 2011.
Д. П. Ветров и Б. К. Янгел, Сегментиране на изображение с предварителна форма на базата на опростява скелет // Proc. на стажант. Семинар за методи за минимизиране на енергията. Берлин, Германия: Springer, стр. 148-161, 2011.

Новиков Александър, Родоманов Антон, Осокин Антон и Ветров Дмитрий. Поставяне на mrfs на тензорен влак. Journal of Machine Learning Research, 32 (1): 811–819, 2014.
А. Осокин и Д. Ветров. Субмодуларна релаксация за извод в произволни полета на Марков. IEEE Transactions on Pattern Analysis and Machine Intelligence, 99, 2014.
Бартунов Сергей и Ветров Дмитрий. Вариационен извод за последователно зависим от разстояние процес на китайски ресторант. Journal of Machine Learning Research, 32 (1): 1404-1412, 2014.
Л. Местецкий. Представяне на линейна сегментна диаграма на Вороной чрез криви на Безие. В доклади на 24-та международна конф. ГРАФИКОН-2014, стр. 83–87. Академия за архитектура и изкуства SFedU Ростов на Дон, 2014 г.
С.В. Абламейко, А.С. Бирюков, А.А. Докукин, A.G. Дьяконов, Ю И. Журавлев, В.В. Краснопрошин, В.А. Образцов, М. Ю Романов и В.В. Рязанов. Практически алгоритми за алгебрична и логическа корекция при проблеми с разпознаване, базирани на прецеденти. Изчислителна математика и математическа физика, 54 (12): 1915-1928, 2014.
Цумакас Григориос, Пападопулос Апостолос, Киан Вейнинг, Вологианидис Ставрос, Александър Д'яконов, Пуурула Анти, Рийд Джеси, Свец Ян и Семенов Станислав. Wise 2014: Класификация на статии в печатните медии с няколко етикета по теми. Бележки от лекцията по компютърни науки, 8787: 541-548, 2014.
Воронцов К. В. Адитивна регуляризация за тематични модели на текстови колекции // Доклади по математика. 2014 г., Издателство Плеяди, ООД - том 89, бр. 3, стр. 301-304.
Воронцов К. В., Потапенко А. А. Учебник по вероятностно моделиране на теми: Адитивна регуляризация за стохастична матрица на факторизация // AIST'2014, Анализ на изображения, социални мрежи и текстове. Springer International Publishing Switzerland, 2014. Комуникации в компютърните и информационните науки (CCIS). том 436. стр. 29–46.
Успенски В.М., Воронцов К.В., Целих В.Р., Бунаков В.А. Информационна функция на сърцето: дискретно и размито кодиране на ЕКГ-сигнала за мултидисциплинарна диагностична система // В напредъка в математическите и изчислителни инструменти в метрологията и тестването X (том 10), Серия за напредък в математиката за приложни науки, кн. 86, World Scientific, Сингапур (2015) стр. 375-382.
Воронцов К. В., Потапенко А. А. Адитивна регулация на тематични модели // Списание за машинно обучение. Специален брой „Анализ на данни и интелигентна оптимизация с приложения“ (да се появи).

Гуров С.И. Оценка на надеждността на алгоритъм за класификация на базата на нов информационен модел // Изм. Математика и математика. физ. 2013.53.N 5. С. 640-656.
Некрасов К.В., Лаптев Д.А., Ветров Д.П. Автоматично определяне на скоростта на клетъчно делене с помощта на микроскопски изображения // Разпознаване на образци. и Image Anal. 2013.23.N. 1.С. 105-110.
Осокин А.А., Амелченко Е.М., Зворикина С.В., Чехов С.А., Лебедев А.Е., Воронин П.А., Галатенко В.В., Ветров Д.П., Анохин К.В. Статистическо параметрично картографиране на промените в генната активност в мозъка на животните по време на акустична стимулация // Бюлетин по експериментална биология и медицина. 2013. 154. N 5. С. 697-699.
Воронин П.А., Ветров Д.П., Исмаилов К. Подход към сегментиране на изображения на мозъка на мишки чрез интермодална регистрация // Pattern Recogn. и Image Anal. 2013.23.N. 2.С. 335-339.
Журавлев Ю.И., Лаптин Ю., Виноградов А., Лиховид А. Сравнение на някои подходи към проблемите на разпознаването в грижата за два класа // Информационни модели и анализи. 2013. 2. N 2. С. 103-111.
Чернишов В.А., Местецкий Л.М. Система за мобилно машинно зрение за разпознаване на базата на длан // Proc. на 11-ти стажант. конф. Разпознаване на шаблон. и Image Anal .: Нови информационни технологии. N 1. Самара: ИЗОИ РАН, 2013. С. 398-401.
Джукова Е.В., Любимцева М.М., Прокофжев П.А. Логически коректори при проблеми с разпознаване // Proc. на 11-ти стажант. конф. Разпознаване на шаблон. и Image Anal .: Нови информационни технологии. N 1. Самара: ИЗОИ РАН, 2013. С. 82-83.
Dyshkant N.F. Сравнение на облаци от точки, получени от 3d скенер // Дискретна геометрия за компютърни изображения. 17-ти стажант. конф. Бележки от лекции по компютърни науки. N 7749. Берлин, Германия: Springer, 2013. P. 47-58.
Gurov S.I., Prokasheva O.V., Onishchenko A.A. Класификационни методи, базирани на анализ на формален концептуален анализ // The 35th European FCAIR 2013-Formal Concept Analysis Meets Information Retrieval. N 1. М .: Издателство на Националния изследователски университет Висше училище по икономика, 2013. С. 95-104.
Местецкий Л.М., Зимовнов А.В. Извличане на крива-скелет с помощта на силуети "медиални оси // GraphiCon" 2013. 23-та международна конференция по компютърна графика и визия. Процедури на конференцията. Владивосток: Дълнаука, 2013. С. 91-94.
Osokin A., Kohli P., Jegelka S. Принципен модел на дълбоко произволно поле за сегментиране на изображение // 2013 IEEE Conf. за компютърно зрение и разпознаване на образи. Ню Йорк, САЩ: IEEE Computer Society Press, 2013. P. 1971-1978.
Журавлев Ю.И., Гуревич И., Трусова Ю., Вашина В. Предизвикателството към проблемите и задачите на дескриптивните подходи към анализа на образите // Proc. на 11-ти стажант. конф. Разпознаване на шаблон. и Image Anal .: Нови информационни технологии. N 1. Самара: ИЗОИ РАН, 2013. С. 30-35.
Дяконов A.G. Деформация на отговорите на алгоритмите за анализ на данни // Спектрални и еволюционни проблеми. № 23. Симферопол, Украйна: Таврийски национален университет В. Вернадски, 2013. С. 74-78.

Бондаренко Н.Н., Журавлев Ю.И. Алгоритъм за избор на конюнкции за методи за логическо разпознаване // Изчисление. математика и математика. физ. 2012. 52. No 4. С. 746-749.
D "яконов A.G. Критерии за сингулярност на двойна матрица на L1-разстояния и техните обобщения // Известия. Математика. 2012.76. N 3.P. 517-534.
Онищенко A.A., Gurov S.I. Класификация, базирана на анализ на формален концептуален анализ и биклъстериране: възможности на подхода // Изчислителна математика и моделиране. 2012.23.N 3. С. 329-336.
Воронин П.А., Адинец А.В., Ветров Д.П. Нова мярка за съпоставяне на форми, базирани на разстояние // GraphiCon „2012. 22-ра международна конференция по компютърна графика и зрение. Сборник на конференцията. М.: MAKS Press, 2012. P. 101-106.
D "yakonov A.G. Смесване на прости алгоритми за тематична класификация // Rough Sets and Current Trends in Computing. Lecture Notes in Computer Science. N 7413. Berlin, Germany: Springer, 2012. P. 432-438.
Осокин А.А., Ветров Д.П. Субмодуларна релаксация за MRFs с потенциали от висок порядък // Computer Vision - ECCV 2012. Семинар и демонстрации. Бележки от лекции по компютърни науки. N 7585. Берлин, Германия: Springer, 2012. P. 305-314.
Воронин П.А., Ветров Д.П. Здрави дистанционни полета за регистрация, базирана на форма // Интелектуализация на обработката на информация: 9-та международна конференция. М.: Torus Press, 2012. С. 382-385.
Янгел Б.К., Ветров Д.П. Глобално оптимално сегментиране с предварително базирана на графика форма // Интелектуализация на обработката на информация: 9-та международна конференция. М.: Torus Press, 2012. С. 456-459.

Президент - академик на Руската академия на науките Евгений Иванович Моисеев
Изпълняващ длъжността декан - академик на Руската академия на науките Игор Анатолиевич Соколов

Факултет по изчислителна математика и кибернетика (CMC) Москва държавен университетна името на М. В. Ломоносов е водещият образователен център в Русия за обучение на кадри в областта на фундаменталните изследвания в областта на приложната математика, изчислителната математика, компютърните науки и програмирането.

Факултетът е основан през 1970 г. Самият факт на неговото създаване, развитието на структура и основни направления научни дейностиФакултетът на CMC е изцяло задължен на един от най-големите учени в Русия - акад. Андрей Николаевич Тихонов. Усилията на A.N. Тихонов за създаването на факултет CMC получи подкрепата на акад. M.V. Келдиш - по това време президент на Академията на науките на СССР. Освен A.N. Тихонов, който беше декан на факултета на CMC през първите 20 години от неговото съществуване, първите членове на факултета изиграха важна роля: акад. Л.С. Понтрягин, членове-кореспонденти на Академията на науките на СССР Л.Н. Болшев и С.В. Яблонски и професори I.S. Березин и Ю.Б. Гермайер.

През последните години факултетът е формирал водещите научни школи в Русия в различни фундаментални области на приложната математика и информатика: по теория на неправилно поставените задачи, по математическа физика и спектрална теория на диференциалните уравнения, в нелинейни динамични системи и контролни процеси, в изчислителни методи и математическо моделиране, в теория на игрите и изследвания на операциите, в оптимално управление и системен анализ, в математическа кибернетика и математическа логика, в теория на вероятностите и математическа статистика, в приложно и теоретично програмиране, в архитектурата на изчисленията системи и мрежи.

Факултетът на CMC включва 19 катедри: Математическа физика, Изчислителни методи, Обща математика, Функционален анализ и неговите приложения, Автоматизация на научни изследвания, Изчислителни технологии и моделиране, Суперкомпютри и квантова информатика, Нелинейни динамични системи и процеси за управление, Оптимално управление, Анаматематична система статистика, оперативни изследвания, математически методи за прогнозиране, математическа кибернетика, системно програмиране, алгоритмични езици, автоматизация на компютърни системи, информационна сигурност, английски език.

Сред ръководителите на катедрите са академици Ю.И. Журавлев, A.B. Куржански, Е.И. Моисеев, Ю.С. Осипов, И.А. Соколов, Е.Е. Тиртишников, B.N. Четвертушкин, член-кореспондент В.В. Воеводин, А.И. Аветисян, Р.Л. Смелянски.

Обучението във факултета се осъществява по следните основни образователни програми за обучение на бакалаври и магистри: 010300 „Фундаментална информатика и информационни технологии”, 010400 „Приложна математика и информатика”.

Учебната програма за студенти, обучаващи се във Факултета по изчислителна математика и кибернетика на Московския държавен университет по бакалавърски програми, предвижда фундаментална математическа подготовка. Студентите изучават математически анализ, теория на функциите на сложна променлива, функционален анализ, линейна алгебра, аналитична геометрия, обикновени диференциални уравнения, уравнения на математическата физика, теория на вероятностите, математическа статистика, математическа логика, дискретна математика, числени методи, изследване на операциите, игра теория, оптимален контрол, екстремни проблеми.

Студентите от факултета се преподават на широк спектър от курсове, свързани с изчислителна технологияи програмиране: алгоритми и алгоритмични езици, компютърна архитектура и асемблер, операционни системи, приложен софтуер, компютърна графика, паралелни изчисления, бази данни, операционни системи, изкуствен интелект, обектно-ориентирано програмиране, компютърни мрежи, мрежови технологии, системи за програмиране, проверка на програми за модели, обектно-ориентиран анализ и проектиране, формални методи за програмна спецификация.

Значително място в обучението заема практическата работа на компютри, включително работата върху високопроизводителни изчислителни системи. По време на обучението си студентите се научават да работят в няколко операционни системи и научават поне три езика за програмиране. Всички студенти изучават английски език и хуманитарния цикъл.

В първите два курса обучението се провежда общо учебни програмии програми. Основен акцент е върху общата математическа подготовка и теоретичното и приложно програмиране. Напоследък много внимание се отделя на използването на суперкомпютри, суперкомпютърни технологии при моделиране, паралелни изчисления. От третата година студентите преминават специализация в избраните от тях катедри. Всеки студент работи в специален семинар и има свой собствен ръководител.

Завършилите бакалавърска катедра могат да продължат обучението си в магистратурата на факултета. Срокът на обучение за магистърска степен е 2 години. Приемът в магистратурата се извършва на конкурс. Завършилите магистърска степен на факултета, които са показали склонност към изследователска работа, могат да продължат обучението си в аспирантурата на факултета. Срокът на обучение в редовна аспирантура е 4 години.

Подготовката на магистри в направление "Приложна математика и информатика" се извършва по програмите: "Изчислителни технологии и моделиране", "Спектрална теория на диференциалните оператори и управление на разпределени системи", " Числени методии математическо моделиране", "Компютърни методи в математическата физика, обратни задачи и обработка на изображения"," Съвременни методиматематическо моделиране ”, „Изследване на операциите и актюерска математика ”, „ Дискретни структури и алгоритми ”, „ Дискретни системи за управление и техните приложения ”, „ Статистически анализ и прогнозиране на риска ”, „ Информационна сигурност на компютърните системи ”, „ Теория на нелинейните динамични системи : анализ , синтез и управление "," Методи за математически моделиране и методи за оптимизация контролирани процеси"," Логически и комбинаторни методи за анализ на данни "," Математически методи за системен анализ, динамика и управление "," Интелигентни системи "," Интелигентен анализ на големи данни "," Компилаторни технологии "," Технологии за програмиране "," Суперкомпютърни системи и приложения " , "Разпределени системи и компютърни мрежи", "Квантова информатика", "Софтуер за компютърни мрежи", "Математически и софтуер за информационна сигурност", "Математически и компютърни методи за обработка на изображения", "Технологии на паралелно програмиране и високо -изчислителна производителност“, „Големи данни: инфраструктура и методи за решаване на проблеми“. Подготовката на магистри в направление "Фундаментална информатика и информационни технологии" се осъществява по програмите: "Отворени информационни системи", "Информационни системи за управление на предприятието".

Обучението във факултета е немислимо без тясна връзка с науката. Студентите задължително се включват в научни изследвания, извършвани в катедрите на факултета, в академични институти или в научни лаборатории. Във факултета са създадени научноизследователски лаборатории: математическа физика, изчислителна електродинамика, моделиране на процеси на топло- и масопренос, обратни задачи, математически методи за обработка на изображения, математическо моделиране във физиката, диференциални методи, отворени информационни технологии, статистически анализ, математически задачи на компютъра охранителна, изчислителна работилница и информационни системи, изчислителни системи, информационни системи в образованието и научно изследване, компютърна графика и мултимедия, технологии за програмиране, електронни компютри, инструменти за математическо моделиране, индустриална математика, както и студентски изследователска лабораторияТехнологична лаборатория на Intel и Microsoft.

Факултетът е добре оборудван с компютри. Има няколко компютърни класа, оборудвани с най-модерните мултимедийни технологии и софтуер, базирани на процесори Intel, няколко класа работни станции с операционни системи UNIX. Всички класове са обединени в локална мрежа, базирана на оптична комуникация с интернет достъп. Факултетът разполага с няколко графични станции, включително HP Apollo-9000, високопроизводителен клъстер и мултипроцесорните суперкомпютри IBM eServer pSeries 690 Regatta. През 2008 г. факултетът инсталира суперкомпютър IBM Blue Gene/P с капацитет от около 30 терафлопса (трилиони операции с плаваща запетая в секунда). От 2009 г. работи суперкомпютърът Ломоносов.

Факултетът поддържа тесни работни контакти с големи ИТ компании като Intel, Microsoft, Microsoft Research, IBM, Hewlett-Packard, Sun, Cisco, SAP, Samsung; много руски компании: Luxoft, Redlab, IT, Garant, Consultant-Plus, DVM, Kaspersky Lab, Mail.Ru Group и др. Към факултета има регионална академия CISCO. Съвместно с институтите на Руската академия на науките, факултетът създаде образователен и научен център за суперкомпютърно моделиране.

Няма проблеми с наемането на работа на завършилите факултета. Завършилите факултети работят във всички области, където се използват компютърни технологии: академични и изследователски институти, висши учебни заведения, държавни и държавни агенции, банки, застрахователни, финансови, консултантски фирми, руски и чуждестранни фирми и др. Около една трета от завършилите продължават следдипломно обучение .

Факултетът има споразумения с редица чуждестранни университети за сътрудничество и обмен на студенти. Съчетанието на задълбочена теоретична подготовка с активна практическа и изследователска работа под ръководството на преподаватели и научни работници прави завършилите факултета конкурентоспособни на пазара на труда.

Странни описания на столове... което означава "Едно от малкото места, където има конкуренция в математическите резултати." - не разбрах

Нека опитаме за SA...
Уебсайт на отдела http://sa.cs.msu.su/

Тази катедра се откроява от останалите ... с това, че осигурява най-пълното и висококачествено математическо образование във факултета.

Ядрото на учебната програма са курсове за оптимално управление. Същността на ОА е оптимално преместване и управление на обект А в множество Б. Въпреки цялата си абстрактност, този проблем има широко приложение в напълно различни области. Така обект А може да бъде ракета, картечница в завод, самият завод като част от икономиката или дори портфейл от ценни книжа.

Ясно е, че за да разрешите този проблем, в общия случай, трябва да познавате болнав носител на математиката - всичко това се дава в рамките на курсовете на катедрата ... във функционален и изпъкнал анализ (CA е единственият отдел което помага на OM да вземе заслуга за funkan), теория на идентификацията, т.е. стабилност, т.е. динамични системи + някои класове ODE и PDE + филтър на Калман и основни неща за времевите редове. Теорията е придружена от обемни практически задачи, които студентите изпълняват в Matlab, водещият математически пакет за квантови инженери и финансисти. Също така на студентите се казва как цялата тази теория се прилага в математическата биология, икономиката и финансовата математика ...

Въпреки широчината на обхвата - дълбочината на материала съответства на най-добрите традиции от съветския период ... катедрата също така поема отговорно отношение към проверката на знанията на студентите - което благоприятно отличава типичното му грубо отношение в други катедри ... студент може да се явява на изпит-тест безкрайно, докато не научи материала ... моят личен рекорд беше - 6 опита (след като научих всички дефиниции - доказване на теорема - решаване на задачи - тестът беше получен за 20 минути). В резултат на това студентите от CA не изпитват и най-малък проблем при преминаването на онлайн курсове, които се четат на отвратително ниво поради големия брой лектори.

В отдела работят прекрасни специалисти:
Куржански е баща-основател, мегаум, рядко посещава Русия, но винаги е във връзка, много взискателен, строг, но справедлив.
Братуш е един от водещите специалисти по математическа биология в страната, много приятен човек с много тежка съдба.
Шананин е един от водещите специалисти по математическа икономика в страната
Арутюнов - чиста математика, изпъкнал анализ, отделя много време на своите ученици
Лотов - многокритериална оптимизация, седи в Института на Руската академия на науките - имах малък контакт с него
Смирнов е финансов математик, SN прави много приложни проекти, изследователските му интереси са случайни процеси, прекрасен човек, но има много малко време за студенти.
А също и няколко млади момчета Дарин, Точилин, Рубльов
За съжаление много от тях трябва да работят на непълно работно време на други места, т.к заплатата на професорите е просто неадекватна ... в резултат на това времето им е ограничено, но ако студентът наистина иска да обсъди нещо в научната работа, тогава винаги ще намери време

Всяка година отделът успява да събира талантливи деца. Трудностите в ученето сплотяват екипа – все още поддържам връзка с много съученици – въпреки че живея от другата страна Глобусът... Изненадващо, по отношение на процента на завършилите с отличие катедрата е стабилна сред лидерите във факултета. Качеството на дипломните работи също е в сравнение с други катедри, където повечето хора работят от 4-та година и дипломите им приличат на официален отговор, а не на сериозен. научна работа... Катедрата предполага пълна заетост, рядко някой успява да я съчетае с работа на 3-4 курс... Трябваше да го комбинирам - поради това, за съжаление, получих много по-малко знания в катедрата, отколкото можех.

За кого работят завършилите и струва ли си? Подобно на момчетата от други катедри на Академията на науките, те работят основно в ИТ и финанси ... у нас търсенето на силни приложни математици е малко - има възможност да отида да продължа обучението си в чужбина (докторантура)

Понякога се питам кой отдел бих избрал, ако се пренеса в миналото - и отговарям, че отново бих избрал SA.

PS: Сори за грешките ми в езика, не пиша често на руски.