Stručná charakteristika pracovišť Fakulty CMC. Fakulta výpočetní matematiky a kybernetiky, Moskevská státní univerzita Katedra metod matematického předpovídání

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

Kontaktní údaje Další kontaktní údaje

119991, Moskva, GSP-1, Leninskiye Gory, MSU, 2. vzdělávací budova, Fakulta CMC, místnosti 530, 532, 573, 680 (vedoucí katedry)

Katedra školí specialisty na strojové učení, dolování dat, algoritmy zpracování obrazu a jejich aplikace v přírodních vědách, ekonomii, financích atd. Specializace katedry zahrnuje matematické metody pro diagnostiku složitých systémů (včetně technických a ekonomických), analýzu těchto systémů, konstrukci optimálních nebo téměř optimálních řešení, která jsou založena na nepřímých, neúplných nebo protichůdných informacích.

Během výcviku studenti získají základní vzdělání v různých oblastech matematiky, jako je moderní algebra a matematická logika, teorie algoritmů, diskrétní a kombinatorická matematika, matematické modely umělé inteligence, včetně matematických metod rozpoznávání vzorů, strojové učení, zpracování obrazu, teorie pravděpodobnosti, aplikovaná statistika, grafické modely.

Účastí na praktických cvičeních studenti získávají dovednost práce s moderními databázemi a softwarem, učí se moderním programovacím jazykům a technikám, získávají zkušenosti s řešením aplikovaných problémů. Studenti mají také praxi ve výzkumných institucích Ruské akademie věd, inovativních společnostech, finančních organizacích atd. Do dob svých mistrů mají mnozí z nich již články ve vědeckých časopisech a špičkových sbornících konferencí.

Katedra připravuje odborníky na vývoj a aplikaci matematických metod pro řešení různých problémů zpracování dat, jako jsou skórovací systémy, detekce podvodů, predikce maloobchodu, bioinformatika, zpracování přirozeného jazyka, počítačové vidění, expertní systémy atd.

Zaměstnanci:

Rudakov Konstantin, člen korespondent RAS, profesor, Dr.Sc.
Mestetsky Leonid, člen korespondent RAS, profesor, Dr.Sc.
Dyakonov Alexander, profesor, Dr.Sc.
Leontyev Vladimir, profesor, Dr.Sc.
Vorontsov Konstantin, docent, Dr.Sc.
Gurevich Igor, docent, PhD
Gurov Sergey, docent, PhD
Dyukova Elena, docentka, Dr.Sc.
Maisuradze Archil, docent, PhD
Rjazanov Vladimir, docent, Dr.Sc.
Senko Oleg, docent, Dr.Sc.
Vetrov Dmitry, docent, PhD
Kropotov Dmitry, výzkumný pracovník, vědecký tajemník katedry

Pravidelné kurzy:

Algebraické metody ve strojovém učení prof. Zhuravlev, 16 přednáškových hodin a 16 seminárních hodin.
Aplikovaná algebra prof. Djakovov, prof. Leontyev, Assoc. Prof. Gurov, 48 přednáškových hodin a 48 seminárních hodin.
Strojové učení doc. Prof. Voronstov, 32 přednáškových hodin.
Bayesovské metody ve strojovém učení doc. Prof. Vetrov, 16 přednáškových hodin a 16 seminárních hodin.
Grafické modely doc. Prof. Vetrov, 16 přednáškových hodin a 16 seminárních hodin.
Matematické metody klasifikace prof. Rudakov, 32 přednáškových hodin.
Počítačová dílna doc. Prof. Maisuradze, 48 přednáškových hodin.
Zpracování a analýza obrazu Prof. Mesteckij, 16 přednáškových hodin.
Algoritmy, modely, algebry od Prof. Djakovov, 16 přednáškových hodin.
Aplikovaná statistika doc. Prof. Voronstova, 16 přednáškových hodin a 16 seminárních hodin.
Zpracování signálu Ass. Prof. Krasotkina, 16 přednáškových hodin.

Speciální kurzy:

Bayesovské metody strojového učení Dr. Vetrov, 16 přednáškových hodin.
Výpočtové problémy bioinformatiky doc. Prof. Makhortyh a Assoc. Prof. Pankratov, 16 přednáškových hodin.
Image Mining by Assoc. Prof. Gurevič, 16 přednáškových hodin.
Výrokový počet klasické logiky doc. Prof. Gurov, 32 přednáškových hodin.
Kombinatorické základy teorie informace doc. Prof. Voronstov, 16 přednáškových hodin.
Logické metody v rozpoznávání vzorů doc. Prof. Dyukova, 16 přednáškových hodin.
Matematické metody biometrie prof. Rudakov, 16 přednáškových hodin.
Metrické metody dolování dat doc. Prof. Maisuradze, 16 přednáškových hodin.
Spojité morfologické modely a algoritmy prof. Mesteckij, 16 přednáškových hodin.
Nestatistické metody dolování a klasifikace dat doc. Prof. Rjazanov, 32 přednáškových hodin.
Zobecněná spektrálně-analytická metoda, 16 přednáškových hodin.

Speciální vědecké semináře a směry výzkumu:

Algebraický přístup k dolování dat, strojovému učení a rozpoznávání vzorů

(akademik RAS Yu. I. Zhuravljov, člen korespondent RAS K.V. Rudakov, Dr. S. V. V. Rjazanov, Dr. S. A. G. Djakovov).

V rámci algebraického přístupu jsou nové algoritmy konstruovány jako vzorce nad počátečními algoritmy (slabí žáci) nebo jako booleovské funkce (logické korektory). Hlavním výsledkem je, že každý algoritmus může být prezentován jako superpozice rozpoznávacího operátoru a rozhodovacího pravidla. Umožňuje popsat výsledky algoritmu jako speciální matice - matice odhadů (výstupy rozpoznávacích operátorů) a matice výsledků (výstupy rozhodovacích pravidel). Operace nad algoritmy jsou vyvolány operacemi nad odpovídajícími maticemi odhadů. Algebraický přístup umožňuje konstruovat vzorce přes algoritmy, vzorce, které jsou správné na testovací sadě (nebo mají lepší výkon než počáteční algoritmy).

Teorie počítačového učení a aplikace strojového učení

(Dr. K. Vorontsov)

Jedním z nejnáročnějších problémů ve výzkumu strojového učení je analýza obecného výkonu učícího se stroje. Je vyvinuta kombinatorická teorie přesazení, která dává těsné a v některých případech přesné meze zobecnění. Tyto meze se aplikují na navrhování algoritmů učení v takových podoblastech strojového učení, jako je souborové učení, indukce pravidel, distanční učení, výběr funkcí, výběr prototypu. Dalším směrem výzkumu je vyhledávání informací, kolaborativní filtrování a pravděpodobnostní tématické modelování s aplikacemi pro analýzu velkých sbírek vědeckých dokumentů.

Spojité modely v analýze a klasifikaci tvaru obrazu

(Prof. L. Mesteckij)

Jsou zkoumány přístupy a metody reprezentace tvaru objektů v digitálních obrazech spojitými modely. Lidské oko nevidí diskrétní povahu digitálních obrázků. Obrázky vypadají jako spojité obrázky a je obvyklejší a jednodušší provozovat „pevné“ spojité geometrické modely tvaru. Použití spojitých modelů proto výrazně zjednodušuje tvorbu algoritmů pro analýzu, klasifikaci a transformaci obrazových tvarů. Používá se koncept figury jako univerzálního spojitého modelu tvaru. Obrazec je definován jako uzavřená oblast, jejíž hranice se skládá z konečného počtu neprotínajících se Jordanových křivek. Jsou zkoumány tři vzájemně propojené způsoby reprezentace obrazců; jedná se o hraniční, mediální a kruhové popisy. Úkol konstrukce spojitého modelu pro digitální obraz je redukován na aproximaci tohoto obrazu spojitými obrazci. Poté jsou použity efektivní algoritmy výpočetní geometrie pro analýzu tvaru a související klasifikaci diskrétních objektů v digitálních obrazech.

Bayesovské metody ve strojovém učení

(Dr. D. Vetrov a D. Kropotov)

Výzkumná práce je zaměřena na zkoumání Bayesovského přístupu v teorii pravděpodobnosti a jeho aplikace pro řešení různých problémů strojového učení a počítačového vidění. Bayesovské metody se v posledních 15 letech staly široce rozšířenou technikou. Mezi jejich hlavní přednosti patří automatické ladění strukturálních parametrů v modelech strojového učení, správný způsob uvažování v případě nejistoty, možnost zohlednění strukturálních a pravděpodobnostních interakcí v datových polích (na základě aktivně se rozvíjejícího konceptu grafických modelů) a přístup pro reprezentace dat a parametrů modelu, která umožňuje snadné spojení nepřímých pozorování a předchozích myšlenek.

Vyvinuté techniky jsou intenzivně využívány pro řešení různých aplikovaných problémů včetně analýzy genové exprese v mozcích zvířat během kognitivních procesů.

Data Mining: Nové výzvy a metody

Související seminář je určen pro studenty 2.-5.ročníku, postgraduální studenty a všechny zájemce. Probíhá v jarním semestru formou referátů účastníků a přizvaných odborníků. Témata jsou různorodá. Zahrnují (ale nejen) hypotézu kompaktnosti při rozpoznávání vzorů; řešení booleovských rovnic a syntéza řídicích obvodů; matematické metody pro analýzu mozkové aktivity; charakteristiky částečně uspořádaných sad; detekce zpracování rentgenových snímků a fotografií maleb na základě latentního obrazu; analýza formálních pojmů v aplikovaných problémech.

Problémy se shlukováním

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

Existuje mnoho shlukovacích algoritmů založených na různých principech a vedoucích k různým rozdělením daného vzorku. Při absenci statistických modelů dat vznikají problémy s hodnocením a porovnáváním shlukování. Odpovídá výsledné shlukování objektivní realitě, nebo jen dostane oddíl? Jsou navržena kritéria pro hodnocení kvality shlukování a metody jejich výpočtu. Tato kritéria nám umožňují konstruovat soubory shlukovacích algoritmů.

Intelektuální data-mining: nové problémy a metody

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

Dolování dat v metrických prostorech

(Dr. A. Maisuradze)

Analýza a odhad informací obsažených v obrazech

(Dr. I. Gurevich)

Logické metody rozpoznávání vzorů

(Dr. E. Dyukova)

Kombinatorické metody teorie informace

(Dr. V. Leontyev)

Problémově orientované metody rozpoznávání vzorů

(Člen korespondent RAS prof. K. Rudakov a Dr. Yu. Chekhovich)

Nedávné noviny

V.V. Rjazanov a Y.I. Tkachev, Odhad závislostí na základě Bayesovské korekce výboru klasifikačních algoritmů // Computat. Matematika. a matematika. Fyzika, sv. 50. č. 9, str. 1605-1614, 2010.
V.V. Rjazanov, Některé imputační algoritmy pro obnovu chybějících dat // Poznámky z přednášky z informatiky (LNCS), sv. 7042, str. 372-379, 2011.
K. Vorontsov, Přesné kombinatorické hranice pravděpodobnosti overfittingu pro minimalizaci empirického rizika // Rozpoznávání vzorů a analýza obrazu, sv. 20, č. 3, str. 269-285, PDF, 427 kB, 2010.
K. Vorontsov a A. Ivakhnenko, Tight Combinatorial Generalization Bounds for Threshold Conjunction Rules // Poznámky k přednášce z informatiky. 4th International Conference on Pattern Recognition and Machine Intelligence (PReMI'11), Rusko, Moskva, 27. června – 1. července, str. 66–73, PDF, 153 kB, 2011.
N. Spirin a K. Vorontsov, Learning to Rank with Nonlinear Monotonic Ensemble // Lecture Notes on Computer Science. 10. mezinárodní seminář o vícenásobných klasifikačních systémech (MCS-10). Neapol, Itálie, 15.–17. června, pp. 16–25, PDF, 490 kB, 2011.
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.
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.
Yangel a D. Vetrov, Image Segmentation with a Shape Prior Based on Simplified Skeleton // Proceedings of International Workhop on Energy Minimization Methods (EMMCVPR2011), 2011.
Dyakonov, Dva algoritmy doporučení založené na deformovaných lineárních kombinacích // Proc. of ECML-PKDD, 2011, Discovery Challenge Workshop, pp. 21-28, 2011.
Dyakonov, Teorie ekvivalenčních systémů pro popis algebraických uzávěrů zobecněného odhadovacího modelu. II // Computational Mathematics and Mathematical Physics, sv. 51, č.p. 3, str. 490-504, 2011.
N. Dyshkant, L. Mestetskiy, B.H. Shekar a Sharmila Kumari, Rozpoznávání obličeje pomocí analýzy komponent jádra // Neurocomputing, sv. 74, č.p. 6, str. 1053-1057, 2011.
B.H. Shekar, Sharmila Kumari, N. Dyshkant a L. Mestetskiy, FLD-SIFT: Class Based Scale Invariant Feature Transform pro přesnou klasifikaci tváří // Comm. in Počítačová a informační věda, 1, Počítačové sítě a informační technologie, sv. 142, část 1, str. 15-21, 2011.
Kurakin a L. Mestetskiy, Rozpoznávání gest ruky prostřednictvím on-line skeletonizace - aplikace spojitého skeletu na analýzu tvaru v reálném čase // Sborník z mezinárodní konference o teorii a aplikacích počítačového vidění (VISAPP 2011), Vilamoura, Portugalsko, 2011, březen 5-7, str. 555-560, 2011.
Bakina, A. Kurakin a L. Mestetskiy, Analýza geometrie ruky pomocí spojitých koster // Poznámky k přednáškám z informatiky, Analýza a rozpoznávání obrazu, Springer, sv. 6753/2011, část 2, pp. 130-139, 2011.
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.
Bilaterální rusko-indický vědecký seminář o nových aplikacích počítačového vidění: Workshop Proc. / Ed. od A. Maysuradze - Moskva, MAKS Press, 2011 .-- 224 s. ISBN 978-5-317-03937-0
D.P. Vetrov, D.A. Kropotov, A.A. Osokin a D.A. Laptev, Variační segmentační algoritmy s omezením frekvence štítků // Rozpoznávání vzorů. and Image Anal., sv. 20, č. 3, str. 324-334, 2010.
D.P. Vetrov, D.A. Kropotov, A.A. Osokin, A. Lebedev, V. Galatenko a K. Anokhin, Interaktivní metoda anatomické segmentace a odhadu genové exprese pro experimentální myší mozkový řez // Proc. ze 7. stážisty. Conf. o metodách výpočetní inteligence pro biostatistiku a bioinformatiku, Palermo, Itálie: Springer, no. 1, str. 23-34, 2010.
D.P. Vetrov a V. Vishnevsky, Algoritmus pro detekci fuzzy vzorců chování // Proc. měření chování 2010, 7. intern. Conf. on Methods and Techniques in Behavioral Research, Eindoven, Holandsko: Springer, no. 1, str. 41-45, 2010.
S.I. Gurov, Nový princip pro specifikaci apriorního odhadu distribuce a intervalu konzistence // Scientific Computing. Proč. ze stážisty. Eugene Lawler Ph.D. Škola. Waterford, Irsko: WIT press, pp. 8-20, 2010.
S.I. Gurov, Odhad pravděpodobnosti nulové události // Scientific Computing. Proč. ze stážisty. Eugene Lawler Ph.D. Škola. Waterford, Irsko: WIT press, pp. 198-209, 2010.
A.I. Maysuradze, Doménově orientované báze v prostorech konečných metrik dané úrovně // Scientific Computing. Proč. ze stážisty. Eugene Lawler Ph.D. Škola. Waterford, Irsko: WIT press, pp. 210-221, 2010.
D.P. Vetrov, D.A. Kropotov a A.A. Osokin, 3-D rekonstrukce modelu mozku myši ze sekvence 2-d řezů v aplikaci na atlas mozku allen // Computational Intelligence Methods for Bioinformatics and Biostatistics. Poznámky k přednáškám z informatiky, Berlín, Německo: Springer, no. 6160, str. 291-303, 2010.
E.V. Djukova, Yu.I.Zhuravlev a R.M. Sotnezov, Konstrukce souboru logických korektorů na základě elementárních klasifikátorů // Rozpoznávání vzorů. and Image Anal., sv. 21, č. 4, str. 599-605, 2011.
D.P. Vetrov a B.K. Yangel, Segmentace obrazu s tvarem prior založeným na zjednodušuje kostru // Proc. of Intern. Workshop o metodách minimalizace energie. Berlín, Německo: Springer, str. 148-161, 2011.

Novikov Alexander, Rodomanov Anton, Osokin Anton a Vetrov Dmitrij. Nasazení mrfs na tenzorový vlak. Journal of Machine Learning Research, 32 (1): 811–819, 2014.
A. Osokin a D. Vetrov. Submodulární relaxace pro odvození v markovských náhodných polích. IEEE Transactions on Pattern Analysis and Machine Intelligence, 99, 2014.
Bartunov Sergej a Vetrov Dmitrij. Variační inference pro sekvenční proces čínské restaurace v závislosti na vzdálenosti. Journal of Machine Learning Research, 32 (1): 1404-1412, 2014.
L. Mesteckij. Reprezentace lineárního segmentového voronoiova diagramu bezierovými křivkami. In Proceedings of the 24th International Conf. GRAPHICON-2014, strany 83–87. Akademie architektury a umění SFedU Rostov na Donu, 2014.
S.V. Ablameyko, A.S. Biryukov, A.A. Dokukin, A.G. D'jakov, Yu I. Zhuravlev, V.V. Krasnoprošin, V.A. Obraztsov, M. Yu Romanov a V.V. Rjazanov. Praktické algoritmy pro algebraické a logické opravy v precedenčních problémech rozpoznávání. Computational Mathematics and Mathematical Physics, 54 (12): 1915-1928, 2014.
Tsoumakas Grigorios, Papadopoulos Apostolos, Qian Weining, Vologiannidis Stavros, D "yakonov Alexander, Puurula Antti, Read Jesse, Švec Jan a Semenov Stanislav. Wise 2014: Multi-label klasifikace článků v tištěných médiích k tématům. Poznámky k přednáškám z informatiky , 8787: 541-548, 2014.
Vorontsov K. V. Aditivní regularizace pro tematické modely textových sbírek // Doklady Mathematics. 2014, Pleiades Publishing, Ltd. - Sv. 89, č. 3, str. 301-304.
Vorontsov K. V., Potapenko A. A. Tutorial on Probabilistic Topic Modeling: Additive Regularization for Stochastic Matrix Factorization // AIST'2014, Analysis of Images, Social networks and Texts. Springer International Publishing Švýcarsko, 2014. Komunikace v počítačové a informační vědě (CCIS). sv. 436. str. 29–46.
Uspenskiy VM, Vorontsov KV, Tselykh VR, Bunakov VA Informační funkce srdce: Diskrétní a fuzzy kódování EKG signálu pro multidisease diagnostický systém // v pokroku v matematických a výpočetních nástrojích v metrologii a testování X (vol. 10), Řada o pokroku v matematice pro aplikované vědy, sv. 86, World Scientific, Singapur (2015), str. 375-382.
Vorontsov K. V., Potapenko A. A. Aditivní regulace topických modelů // Machine Learning Journal. Zvláštní vydání „Analýza dat a inteligentní optimalizace s aplikacemi“ (zobrazí se).

Gurov S.I. Odhad spolehlivosti klasifikačního algoritmu na základě nového informačního modelu // Computing. Matematika a matematika. Phys. 2013.53.N 5. P. 640-656.
Nekrasov K.V., Laptev D.A., Vetrov D.P. Automatické stanovení rychlosti buněčného dělení pomocí mikroskopických snímků // Pattern Recogn. and Image Anal. 2013.23.N. 1.P. 105-110.
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. Statistické parametrické mapování změn v genové aktivitě v mozku zvířat při akustické stimulaci // Bulletin experimentální biologie a medicíny. 2013 154. N 5. P. 697-699.
Voronin P.A., Vetrov D.P., Ismailov K. Přístup k segmentaci obrazů mozku myší prostřednictvím intermodální registrace // Rozpoznávání vzorů. and Image Anal. 2013.23.N. 2.P. 335-339.
Zhuravlev Y.I., Laptin Y., Vinogradov A., Likhovid A. Srovnání některých přístupů k problémům rozpoznávání v péči o dvě třídy // Information Models & Analyses. 2013. 2. N 2. P. 103-111.
Chernyshov V.A., Mestetskiy L.M. Mobilní systém strojového vidění pro rozpoznávání na základě dlaně // Proc. z 11. stážisty. Conf. Rozpoznávání vzoru. and Image Anal .: Nové informační technologie. N 1. Samara: ISOI RAN, 2013. S. 398-401.
Djukova E.V., Lyubimtseva M.M., Prokofjev P.A. Logické korektory v problémech rozpoznávání // Proc. z 11. stážisty. Conf. Rozpoznávání vzoru. and Image Anal .: Nové informační technologie. N 1. Samara: ISOI RAN, 2013. S. 82-83.
Dyshkant N.F. Porovnání mračen bodů získaných 3D skenerem // Diskrétní geometrie pro počítačové snímky. 17. Stážista. Conf. Poznámky z přednášek z informatiky. N 7749. Berlín, Německo: Springer, 2013. S. 47-58.
Gurov S.I., Prokasheva O.V., Onishchenko A.A. Klasifikační metody založené na formální koncepční analýze // The 35th European FCAIR 2013-Formal Concept Analysis Meets Information Retrieval. N 1. M .: Nakladatelství Vysoké školy ekonomické Národní výzkumné univerzity, 2013. S. 95-104.
Mestetskiy L.M., Zimovnov A.V. Extrakce křivky a kostry pomocí siluet "mediální osy // GraphiCon" 2013. 23. mezinárodní konference o počítačové grafice a vidění. Sborník z konference. Vladivostok: Dalnauka, 2013. S. 91-94.
Osokin A., Kohli P., Jegelka S. Principiální model hlubokého náhodného pole pro segmentaci obrazu // 2013 IEEE Conf. o počítačovém vidění a rozpoznávání vzorů. N.Y., USA: IEEE Computer Society Press, 2013. P. 1971-1978.
Zhuravlev Y.I., Gurevich I., Trusova Yu., Vashina V. Problémy a úkoly deskriptivních přístupů k analýze obrazu // Proc. z 11. stážisty. Conf. Rozpoznávání vzoru. and Image Anal .: Nové informační technologie. N 1. Samara: ISOI RAN, 2013. S. 30-35.
Dyakonov A.G. Deformace odezev algoritmů analýzy dat // Spektrální a evoluční problémy. č. 23. Simferopol, Ukrajina: Tauridská národní univerzita V. Vernadského, 2013. S. 74-78.

Bondarenko N.N., Zhuravlev Yu.I. Algoritmus pro výběr konjunkcí pro logické metody rozpoznávání // Výpočet. Matematika. a matematika. Phys. 2012. 52. č. 4. S. 746-749.
D "Yakonov A.G. Kritéria pro singularitu párové matice vzdálenosti L1 a jejich zobecnění // Izvestiya. Mathematics. 2012.76. N 3.P. 517-534.
Oniščenko A.A., Gurov S.I. Klasifikace na základě formální pojmové analýzy a biklastrování: možnosti přístupu // Computational Mathematics and Modeling. 2012.23.N 3. P. 329-336.
Voronin P.A., Adinetz A.V., Vetrov D.P. Nové opatření pro přizpůsobení tvaru na základě vzdálenosti // GraphiCon "2012. 22. mezinárodní konference o počítačové grafice a vidění. Sborník příspěvků z konference. M .: MAKS Press, 2012. S. 101-106.
D "yakonov A.G. Prolnutí jednoduchých algoritmů pro aktuální klasifikaci // Hrubé množiny a současné trendy ve výpočetní technice. Poznámky k přednáškám v počítačové vědě. N 7413. Berlín, Německo: Springer, 2012. S. 432-438.
Osokin A.A., Vetrov D.P. Submodulární relaxace pro MRF s potenciály vysokého řádu // Počítačové vidění - ECCV 2012. Workshopy a ukázky. Poznámky z přednášek z informatiky. N 7585. Berlín, Německo: Springer, 2012. S. 305-314.
Voronin P.A., Vetrov D.P. Robustní distanční pole pro registraci na základě tvaru // Intelektualizace zpracování informací: 9. mezinárodní konference. M .: Torus Press, 2012. S. 382-385.
Yangel B.K., Vetrov D.P. Globálně optimální segmentace s tvarem založeným na grafu před // Intelektualizace zpracování informací: 9. mezinárodní konference. M .: Torus Press, 2012. S. 456-459.

Prezident - akademik Ruské akademie věd Evgeny Ivanovič Moiseev
Úřadující děkan - akademik Ruské akademie věd Igor Anatoljevič Sokolov

Fakulta výpočetní matematiky a kybernetiky (CMC) Moskva státní univerzita pojmenovaná po MV Lomonosovovi je předním vzdělávacím centrem v Rusku pro školení personálu v oblasti základního výzkumu v aplikované matematice, výpočetní matematice, informatice a programování.

Fakulta byla založena v roce 1970. Samotný fakt jeho vzniku, vývoj struktury a hlavních směrů vědecké činnosti Fakulta CMC je zcela zavázána jednomu z největších vědců v Rusku – akademikovi Andreji Nikolajeviči Tichonovovi. Úsilí A.N. Tikhonov na vytvoření fakulty CMC získal podporu akademika M.V. Keldysh - v té době prezident Akademie věd SSSR. Kromě A.N. Tichonova, který byl děkanem fakulty CMC v prvních 20 letech její existence, sehráli důležitou roli první členové fakulty: akademik L.S. Pontryagin, členové korespondentů Akademie věd SSSR L.N. Bolšev a S.V. Yablonsky a profesoři I.S. Berezin a Yu.B. Germeier.

V posledních letech fakulta vytvořila přední vědecké školy v Rusku v různých základních oblastech aplikované matematiky a informatiky: v teorii špatně položených problémů, v matematické fyzice a spektrální teorii diferenciálních rovnic, v nelineárních dynamických systémech. a řídicích procesů, ve výpočetních metodách a matematickém modelování, v teorii her a operačním výzkumu, v optimálním řízení a analýze systémů, v matematické kybernetice a matematické logice, v teorii pravděpodobnosti a matematické statistice, v aplikovaném a teoretickém programování, v architektuře výpočetní techniky systémy a sítě.

Fakulta CMC zahrnuje 19 kateder: Matematická fyzika, Výpočtové metody, Obecná matematika, Funkční analýza a její aplikace, Automatizace vědeckého výzkumu, Výpočetní technologie a modelování, Superpočítače a kvantová informatika, Nelineární dynamické systémy a řídicí procesy, Optimální řízení, Systémová analýza, matematická statistika, operační výzkum, matematické předpovědní metody, matematická kybernetika, systémové programování, algoritmické jazyky, automatizace počítačových systémů, informační bezpečnost, anglicky.

Mezi vedoucími kateder jsou akademici Yu.I. Zhuravlev, A.B. Kurzhansky, E.I. Moiseev, Yu.S. Osipov, I.A. Sokolov, E.E. Tyrtyšnikov, B.N. Chetvertushkin, člen korespondent V.V. Voevodin, A.I. Avetisyan, R.L. Smeljanského.

Výuka na fakultě probíhá podle těchto základních vzdělávacích programů pro bakalářské a magisterské studium: 010300 "Základní informatika a informační technologie", 010400 "Aplikovaná matematika a informatika".

Učební plán pro studenty zapsané na Fakultě výpočetní matematiky a kybernetiky Moskevské státní univerzity v rámci bakalářských studijních programů poskytuje základní matematický výcvik. Studenti studují matematickou analýzu, teorii funkcí komplexní proměnné, funkcionální analýzu, lineární algebru, analytickou geometrii, obyčejné diferenciální rovnice, rovnice matematické fyziky, teorii pravděpodobnosti, matematickou statistiku, matematickou logiku, diskrétní matematiku, numerické metody, operační výzkum, hru teorie, optimální řízení, extrémní problémy.

Studenti fakulty jsou vyučováni širokou škálou souvisejících předmětů výpočetní techniky a programování: algoritmy a algoritmické jazyky, počítačová architektura a assembler, operační systémy, aplikační software, počítačová grafika, paralelní výpočty, databáze, operační systémy, umělá inteligence, objektově orientované programování, počítačové sítě, síťové technologie, programovací systémy, ověřování programy na modelech, objektově orientovaná analýza a návrh, formální metody specifikace programu.

Významné místo ve výuce zaujímá praktická práce na počítačích, včetně práce na výkonných výpočetních systémech. Během studia se studenti naučí pracovat v několika operačních systémech a naučí se minimálně tři programovací jazyky. Všichni studenti studují angličtinu a humanitní cyklus.

V prvních dvou kurzech probíhá školení obecně osnovy a programy. Hlavní zaměření je na obecnou matematickou průpravu a teoretické a aplikované programování. V poslední době je velká pozornost věnována využití superpočítačů, superpočítačovým technologiím v modelování, paralelním výpočtům. Počínaje třetím rokem procházejí studenti specializací ve vybraných odděleních. Každý student pracuje na speciálním semináři a má svého vedoucího.

Absolventi bakalářského oddělení mohou pokračovat ve studiu na magisterském stupni fakulty. Doba studia pro magisterské studium je 2 roky. Přijímání do magistrátu se provádí na základě soutěže. Absolventi magisterského studia fakulty, kteří projevili náklonnost k vědecké práci, mohou pokračovat ve studiu na aspirantuře fakulty. Doba studia v prezenčním navazujícím studiu je 4 roky.

Příprava magisterského studia ve směru "Aplikovaná matematika a informatika" se provádí podle programů: "Výpočetní technologie a modelování", "Spektrální teorie diferenciálních operátorů a řízení distribuovaných systémů", " Numerické metody a matematické modelování "," Počítačové metody v matematické fyzice, inverzní úlohy a zpracování obrazu "," Moderní metody matematické modelování "," Operační výzkum a pojistná matematika "," Diskrétní struktury a algoritmy "," Diskrétní řídicí systémy a jejich aplikace "," Statistická analýza a prognóza rizik "," Informační bezpečnost počítačových systémů "," Teorie nelineárních dynamických systémů : analýza , syntéza a řízení "," Metody matematického modelování a optimalizační metody řízené procesy"," Logické a kombinatorické metody analýzy dat "," Matematické metody systémové analýzy, dynamiky a řízení "," Inteligentní systémy "," Inteligentní analýza velkých dat "," Technologie kompilátorů "," Programovací technologie "," Superpočítačové systémy a aplikace " , "Distribuované systémy a počítačové sítě", "Kvantová informatika", "Software pro počítačové sítě", "Matematický a software pro informační bezpečnost", "Matematické a počítačové metody zpracování obrazu", "Technologie paralelního programování a vysoké -performance computing", "Velká data: infrastruktura a metody řešení problémů". Příprava magisterského studia ve směru "Základní informatika a informační technologie" se provádí podle programů: "Otevřené informační systémy", "Informační systémy pro řízení podniku".

Vzdělávání na fakultě je nemyslitelné bez úzkého propojení s vědou. Studenti jsou nezbytně zapojeni do vědeckého výzkumu prováděného na katedrách fakulty, v akademických ústavech nebo ve vědeckých laboratořích. Na fakultě byly vytvořeny výzkumné laboratoře: matematická fyzika, výpočtová elektrodynamika, modelování procesů přenosu tepla a hmoty, inverzní úlohy, matematické metody zpracování obrazu, matematické modelování ve fyzice, diferenční metody, otevřené informační technologie, statistická analýza, matematické úlohy počítače zabezpečení, výpočetní dílna a informační systémy, výpočetní systémy, informační systémy ve vzdělávání a vědecký výzkum, počítačová grafika a multimédia, programovací technologie, elektronické počítače, nástroje matematického modelování, průmyslová matematika i student výzkumná laboratoř Intel a Microsoft Technology Lab.

Fakulta je dobře vybavena počítači. Existuje několik tříd počítačů vybavených nejmodernější multimediální technologií a softwarem založeným na procesorech Intel, několik tříd pracovních stanic s operačními systémy UNIX. Všechny třídy jsou sdruženy do lokální sítě založené na optické komunikaci s přístupem na internet. Fakulta má několik grafických stanic, včetně HP Apollo-9000, vysoce výkonný cluster a multiprocesorové superpočítače IBM eServer pSeries 690 Regatta. V roce 2008 fakulta instalovala superpočítač IBM Blue Gene / P s kapacitou asi 30 teraflopů (biliony operací s pohyblivou řádovou čárkou za sekundu). Od roku 2009 je v provozu superpočítač Lomonosov.

Fakulta má úzké pracovní kontakty s velkými IT společnostmi jako Intel, Microsoft, Microsoft Research, IBM, Hewlett-Packard, Sun, Cisco, SAP, Samsung; mnoho ruských společností: Luxoft, Redlab, IT, Garant, Consultant-Plus, DVM, Kaspersky Lab, Mail.Ru Group a další. Na fakultě působí regionální akademie CISCO. Spolu s ústavy Ruské akademie věd vytvořila fakulta vzdělávací a vědecké centrum pro modelování superpočítačů.

S uplatněním absolventů fakulty nejsou problémy. Absolventi fakulty pracují ve všech oblastech, kde se využívá výpočetní technika: akademické a výzkumné ústavy, vysoké školy, státní a vládní agentury, banky, pojišťovny, finanční, poradenské firmy, ruské a zahraniční firmy atd. Asi třetina absolventů pokračuje v postgraduálním studiu .

S řadou zahraničních univerzit má fakulta smlouvy o spolupráci a výměně studentů. Spojení hluboké teoretické přípravy s aktivní praktickou a výzkumnou prací pod vedením pedagogů a vědeckých pracovníků činí absolventy fakulty konkurenceschopnými na trhu práce.

Podivné popisy židlí ... což znamená "Jedno z mála míst, kde je konkurence v matematických výsledcích." - nerozuměl

Zkusme o SA...
Web oddělení http://sa.cs.msu.su/

Tato katedra vyniká nad ostatními ... tím, že poskytuje nejúplnější a nejkvalitnější matematické vzdělání na fakultě.

Jádrem osnov jsou kurzy optimálního managementu. Podstatou OA je optimálně přesunout a ovládat objekt A do množiny B. Přes veškerou svou abstraktnost má tento problém široké uplatnění ve zcela jiných oblastech. Objektem A tedy může být raketa, kulomet v závodě, samotný závod jako součást ekonomiky nebo dokonce portfolio cenných papírů.

Je jasné, že k vyřešení tohoto problému je v obecném případě potřeba znát chorobný kočárek matematiky - to vše je dáno v rámci katedrových kurzů ... ve funkcionální a konvexní analýze (CA je jedinou katedrou to pomáhá OM vzít si zásluhy za funkan), teorie identifikace, tj. stabilita, tj. dynamické systémy + některé třídy ODR a PDE + Kalmanův filtr a základní věci o časových řadách. Teorii doprovázejí objemné praktické úkoly, které studenti dokončují v Matlabu, předním matematickém balíčku pro kvantové inženýry a finančníky. Studentům je také řečeno, jak je celá tato teorie aplikována v matematické biologii, ekonomii a finanční matematice...

Přes šíři záběru - hloubka materiálu odpovídá nejlepším tradicím sovětského období... katedra zaujímá odpovědný přístup i ke kontrole znalostí studentů - což příznivě odlišuje její typický chraplavý postoj na jiných katedrách... student může skládat zkoušku do nekonečna, dokud se látku nenaučí ... můj osobní rekord byl - 6 pokusů (poté, co jsem se naučil všechny definice - dokazování teorémů - řešení problémů - test jsem získal za 20 minut). Studenti CA díky tomu nemají sebemenší problém s absolvováním on-line kurzů, které se kvůli velkému množství lektorů čtou na ohavné úrovni.

Oddělení zaměstnává skvělé odborníky:
Kurzhansky je zakladatelem, megamysl, Rusko navštěvuje zřídka, ale je vždy v kontaktu, velmi náročný, přísný, ale spravedlivý.
Bratus je jedním z předních odborníků na matematickou biologii v zemi, velmi příjemný člověk s velmi těžkým osudem.
Shananin je jedním z předních odborníků na matematickou ekonomii v zemi
Arutyunov - čistá matematika, konvexní analýza, věnuje hodně času svým studentům
Lotov - multikriteriální optimalizace, sedí v Institutu Ruské akademie věd - byl jsem s ním málo v kontaktu
Smirnov je finanční matematik, SN dělá spoustu aplikovaných projektů, jeho výzkumné zájmy jsou náhodné procesy, úžasný člověk, ale na studenty má velmi málo času.
A také několik mladých kluků Darin, Tochilin, Rublev
Bohužel mnoho z nich musí pracovat na částečný úvazek jinde, protože plat profesorů je prostě neadekvátní ... tím pádem je jejich čas omezený, ale pokud chce student opravdu něco probírat ve vědecké práci, tak si čas vždycky najde

Každoročně se oddělení daří sbírat talentované děti. Potíže s učením stmelují kolektiv - stále jsem v kontaktu s mnoha spolužáky - ačkoli bydlím na druhém konci zeměkoule... Z hlediska procenta vyznamenání je katedra překvapivě stabilní mezi vedoucími na fakultě. Kvalita diplomových prací je také příznivá ve srovnání s ostatními katedrami, kde většina lidí pracuje od 4. ročníku a jejich diplomy připomínají formální odpověď, nikoli seriózní. vědecká práce... Katedra předpokládá plnou zaměstnanost, málokdy se to někomu podaří skloubit s prací na 3-4 kurzu... Musel jsem to skloubit - kvůli tomu jsem bohužel na katedře získal mnohem méně znalostí, než jsem mohl.

S kým absolventi pracují a stojí to za to? Stejně jako kluci z jiných kateder Akademie věd se věnují především IT a financím ... u nás je poptávka po silných aplikovaných matematicích malá - možnost jít dál studovat do zahraničí (PhD)

Někdy si říkám, jaké oddělení bych si vybral, kdybych byl převezen do minulosti – a odpovídám, že bych si vybral znovu SA.

PS: Sori za moje chyby v jazyce, nepíšu často rusky.