Kurzbeschreibung der Fachbereiche der Fakultät CMC. Fakultät für Computermathematik und Kybernetik, Fakultät für mathematische Vorhersagemethoden der Staatlichen Universität Moskau

Abteilungsleiter: Zhuravlev Yury, Akademiker der RAS, Professor, Dr.Sc.

Kontaktinformationen Andere Kontaktinformationen

119991, Moskau, GSP-1, Leninskiye Gory, MSU, 2nd Educational Building, CMC Faculty, Räume 530, 532, 573, 680 (Abteilungsleiter)

Die Abteilung bildet Spezialisten für maschinelles Lernen, Data-Mining, Bildverarbeitungsalgorithmen und deren Anwendungen in Naturwissenschaften, Wirtschaft, Finanzen etc. aus. Die Spezialisierung der Abteilung umfasst mathematische Methoden zur Diagnose komplexer Systeme (einschließlich technischer und wirtschaftlicher), die Analyse dieser Systeme, die Konstruktion optimaler oder nahezu optimaler Lösungen, die auf indirekten, unvollständigen oder widersprüchlichen Informationen basieren.

Während der Ausbildung erhalten die Studierenden eine grundlegende Ausbildung in verschiedenen Bereichen der Mathematik wie moderne Algebra und mathematische Logik, Algorithmentheorie, diskrete und kombinatorische Mathematik, mathematische Modelle der künstlichen Intelligenz, einschließlich der mathematischen Methoden der Mustererkennung, maschinelles Lernen, Bildverarbeitung, Wahrscheinlichkeitstheorie, angewandte Statistik, grafische Modelle.

In praktischen Einheiten erwerben die Studierenden den Umgang mit modernen Datenbanken und Software, erlernen moderne Programmiersprachen und -techniken, sammeln Erfahrungen in der Lösung angewandter Problemstellungen. Die Studierenden haben auch Praxis in Forschungseinrichtungen der Russischen Akademie der Wissenschaften, innovativen Unternehmen, Finanzorganisationen usw. Viele von ihnen haben zur Zeit ihres Meisters bereits Veröffentlichungen in wissenschaftlichen Zeitschriften und hochrangigen Konferenzen.

Die Abteilung bereitet Fachleute in der Entwicklung und Anwendung mathematischer Methoden zur Lösung verschiedener Datenverarbeitungsprobleme wie Scoring-Systeme, Betrugserkennung, Einzelhandelsvorhersage, Bioinformatik, Verarbeitung natürlicher Sprache, Computer Vision, Expertensysteme usw. vor.

Mitarbeiter:

• Rudakov Konstantin, Korrespondierendes Mitglied der RAS, Professor, Dr.Sc.
• Mestetsky Leonid, Korrespondierendes Mitglied der RAS, Professor, Dr.Sc.
• Dyakonov Alexander, Professor, Dr.Sc.
• Leontyev Vladimir, Professor, Dr.Sc.
• Vorontsov Konstantin, außerordentlicher Professor, Dr.Sc.
• Gurewitsch Igor, außerordentlicher Professor, PhD
• Gurov Sergey, außerordentlicher Professor, PhD
• Dyukova Elena, außerordentliche Professorin, Dr.Sc.
• Maisuradze Archil, außerordentlicher Professor, PhD
• Ryazanov Vladimir, außerordentlicher Professor, Dr.Sc.
• Senko Oleg, außerordentlicher Professor, Dr.Sc.
• Vetrov Dmitry, außerordentlicher Professor, PhD
• Kropotov Dmitry, Forscher, Wissenschaftlicher Sekretär der Abteilung

Regelmäßige Kurse:

• Algebraische Methoden im maschinellen Lernen von Prof. Zhuravlev, 16 Vorlesungsstunden und 16 Seminarstunden.
• Angewandte Algebra von Prof. Djakonow, Prof. Leontjew, Assoc. Prof Gurov, 48 Vorlesungsstunden und 48 Seminarstunden.
• Maschinelles Lernen von Assoc. Prof Woronstow, 32 Unterrichtsstunden.
• Bayessche Methoden im maschinellen Lernen von Assoc. Prof Vetrov, 16 Vorlesungsstunden und 16 Seminarstunden.
• Grafische Modelle von Assoc. Prof Vetrov, 16 Vorlesungsstunden und 16 Seminarstunden.
• Mathematische Klassifikationsmethoden von Prof. Rudakov, 32 Unterrichtsstunden.
• Computerworkshop von Assoc. Prof Maisuradze, 48 Unterrichtsstunden.
• Bildverarbeitung und Analyse von Prof. Mestetsky, 16 Vorlesungsstunden.
• Algorithmen, Modelle, Algebren von Prof. Dyakonov, 16 Vorlesungsstunden.
• Angewandte Statistik von Assoc. Prof Woronstov, 16 Vorlesungsstunden und 16 Seminarstunden.
• Signalverarbeitung nach Ass.-Nr. Prof Krasotkina, 16 Unterrichtsstunden.

Spezielle Kurse:

• Bayessche Methoden des maschinellen Lernens von Dr. Vetrov, 16 Vorlesungsstunden.
• Rechenprobleme der Bioinformatik von Assoc. Prof Makhortyh und Assoc. Prof Pankratov, 16 Vorlesungsstunden.
• Image-Mining von Assoc. Prof Gurewitsch, 16 Vorlesungsstunden.
• Aussagenrechnung der klassischen Logik von Assoc. Prof Gurov, 32 Unterrichtsstunden.
• Kombinatorische Grundlagen der Informationstheorie von Assoc. Prof Woronstow, 16 Vorlesungsstunden.
• Logische Methoden der Mustererkennung von Assoc. Prof Dyukova, 16 Unterrichtsstunden.
• Mathematische Methoden der Biometrie von Prof. Rudakov, 16 Unterrichtsstunden.
• Metrische Methoden des Data Mining von Assoc. Prof Maisuradze, 16 Unterrichtsstunden.
• Kontinuierliche morphologische Modelle und Algorithmen von Prof. Mestetsky, 16 Vorlesungsstunden.
• Nicht-statistische Methoden des Data Mining und der Klassifikation von Assoc. Prof Rjasanow, 32 Vorlesungsstunden.
• Verallgemeinerte spektralanalytische Methode, 16 UE.

Spezielle wissenschaftliche Seminare und Forschungsrichtungen:

Algebraischer Ansatz für Data Mining, maschinelles Lernen und Mustererkennung

(Akademiker von RAS Yu. I. Zhuravlyov, korrespondierendes Mitglied von RAS K.V. Rudakov, Dr. S. V. V. Ryazanov, Dr. S. A. G. Dyakonov).

Im Rahmen eines algebraischen Ansatzes werden neue Algorithmen als Formeln über initiale Algorithmen (schwache Lerner) oder als Boolesche Funktionen (Logikkorrektoren) konstruiert. Das Hauptergebnis ist, dass jeder Algorithmus als Überlagerung eines Erkennungsoperators und einer Entscheidungsregel dargestellt werden kann. Es erlaubt, die Algorithmusergebnisse als spezielle Matrizen zu beschreiben - die Schätzmatrizen (Ausgaben von Erkennungsoperatoren) und die Ergebnismatrizen (Ausgaben von Entscheidungsregeln). Operationen über Algorithmen werden durch Operationen über die entsprechenden Schätzmatrizen induziert. Der algebraische Ansatz ermöglicht es, Formeln über Algorithmen zu konstruieren, die Formeln, die auf der Testmenge korrekt sind (oder eine bessere Leistung als anfängliche Algorithmen aufweisen).

Computergestützte Lerntheorie und Anwendungen des maschinellen Lernens

(Dr. K. Worontsov)

Eines der schwierigsten Probleme in der Forschung zum maschinellen Lernen ist die Analyse der allgemeinen Leistung einer lernenden Maschine. Es wird eine kombinatorische Theorie der Überanpassung entwickelt, die enge und in einigen Fällen genaue Verallgemeinerungsgrenzen festlegt. Diese Grenzen werden auf das Entwerfen von Lernalgorithmen in solchen Teilbereichen des maschinellen Lernens angewendet, wie Ensemble-Lernen, Regelinduktion, Fernlernen, Merkmalsauswahl, Prototypenauswahl. Eine weitere Forschungsrichtung ist Information Retrieval, kollaboratives Filtern und probabilistische Themenmodellierung mit Anwendungen auf die Analyse großer Sammlungen wissenschaftlicher Dokumente.

Kontinuierliche Modelle in der Bildformanalyse und -klassifizierung

(Prof. L. Mestetsky)

Es werden Ansätze und Methoden der Objektformdarstellung in digitalen Bildern durch kontinuierliche Modelle untersucht. Das menschliche Auge sieht die diskrete Natur digitaler Bilder nicht. Bilder sehen aus wie kontinuierliche Bilder, und es ist üblicher und einfacher, „solide“ kontinuierliche geometrische Modelle der Form zu verwenden. Daher vereinfacht die Verwendung kontinuierlicher Modelle die Erstellung von Algorithmen zum Analysieren, Klassifizieren und Transformieren von Bildformen erheblich. Das Konzept einer Figur als universelles kontinuierliches Formmodell wird verwendet. Eine Figur ist als geschlossenes Gebiet definiert, dessen Rand aus endlich vielen sich nicht schneidenden Jordan-Kurven besteht. Drei miteinander verbundene Methoden der Figurendarstellung werden untersucht; dies sind Grenz-, mediale und zirkuläre Beschreibungen. Die Aufgabe, das kontinuierliche Modell für das digitale Bild zu konstruieren, reduziert sich auf die Annäherung dieses Bildes durch kontinuierliche Figuren. Anschließend werden effiziente Berechnungsgeometriealgorithmen für die Formanalyse und die damit verbundene Klassifizierung von diskreten Objekten in digitalen Bildern angewendet.

Bayessche Methoden im maschinellen Lernen

(Dr. D. Vetrov und D. Kropotov)

Die Forschungsarbeiten konzentrieren sich auf die Untersuchung des Bayesschen Ansatzes in der Wahrscheinlichkeitstheorie und seiner Anwendung zur Lösung verschiedener Probleme des maschinellen Lernens und der Computer Vision. Bayessche Methoden haben sich in den letzten 15 Jahren zu einer weit verbreiteten Technik entwickelt. Zu ihren Hauptvorteilen gehören eine automatische Abstimmung struktureller Parameter in Machine-Learning-Modellen, eine korrekte Argumentation bei Unsicherheit, eine Möglichkeit, strukturelle und probabilistische Interaktionen in Datenarrays zu berücksichtigen (basierend auf einem aktiv entwickelten Konzept für grafische Modelle) und ein Ansatz für Daten- und Modellparameterdarstellung, die eine einfache Verschmelzung indirekter Beobachtungen und früherer Ideen ermöglicht.

Die entwickelten Techniken werden intensiv zur Lösung verschiedener angewandter Probleme eingesetzt, einschließlich der Genexpressionsanalyse im tierischen Gehirn während kognitiver Prozesse.

Data Mining: Neue Herausforderungen und Methoden

Das dazugehörige Seminar richtet sich an Studierende des 2.-5. Studienjahres, Doktoranden und alle Interessierten. Sie findet im Frühjahrssemester in Form von Berichten der Teilnehmer und eingeladenen Experten statt. Themen sind vielfältig. Sie umfassen (aber nicht beschränkt auf) die Hypothese der Kompaktheit bei der Mustererkennung; die Lösung boolescher Gleichungen und Synthese von Regelkreisen; mathematische Methoden zur Analyse der Gehirnaktivität; Eigenschaften von teilweise geordneten Mengen; Erkennung der latenten bildbasierten Verarbeitung von Röntgenbildern und Fotografien von Gemälden; Analyse formaler Konzepte in angewandten Problemen.

Clustering-Probleme

(Akademiker von RAS Yu. Zhuravlev und Dr. V. Ryazanov)

Es gibt viele Clustering-Algorithmen, die auf unterschiedlichen Prinzipien basieren und zu unterschiedlichen Partitionen einer gegebenen Stichprobe führen. In Ermangelung statistischer Datenmodelle ergeben sich Bewertungs- und Vergleichsprobleme der Clusterbildung. Entspricht das resultierende Clustering der objektiven Realität oder erhält man nur eine Partition? Kriterien zur Bewertung der Güte der Clusterbildung und Methoden zu ihrer Berechnung werden entworfen. Diese Kriterien ermöglichen es uns, Ensembles von Clustering-Algorithmen zu konstruieren.

Intellektuelles Data-Mining: neue Probleme und Methoden

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

Data-Mining in metrischen Räumen

(Dr. A. Maisuradze)

Analyse und Einschätzung von Informationen in Bildern

(Dr. I. Gurewitsch)

Logische Methoden der Mustererkennung

(Dr. E. Dyukova)

Kombinatorische Methoden der Informationstheorie

(Dr. V. Leontyev)

Problemorientierte Methoden der Mustererkennung

(Korrespondierendes Mitglied der RAS Prof. K. Rudakov und Dr. Yu. Tschechowitsch)

Aktuelle Papiere

1. V. V. Rjasanow und Y. I. Tkachev, Abschätzung von Abhängigkeiten basierend auf Bayesian Correction of a Committee of Classification Algorithms // Computat. Mathe. und Mathe. Physik, Bd. 50. nein. 9, pp. 1605-1614, 2010.
2. V. V. Ryazanov, Einige Imputationsalgorithmen zur Wiederherstellung fehlender Daten // Lecture Notes in Computer Science (LNCS), vol. 7042, pp. 372-379, 2011.
3. K. Vorontsov, Exact Combinatorial Bounds on the Probability of Overfitting zur empirischen Risikominimierung // Mustererkennung und Bildanalyse, vol. 20, nein. 3, pp. 269-285, PDF, 427 KB, 2010.
4. K. Vorontsov und A. Ivakhnenko, Tight Combinatorial Generalization Bounds for Threshold Conjunction Rules // Vorlesungsnotizen zur Informatik. 4th International Conference on Pattern Recognition and Machine Intelligence (PReMI'11), Russland, Moskau, 27. Juni – 1. Juli, S. 66–73, PDF, 153 KB, 2011.
5. N. Spirin und K. Vorontsov, Learning to Rank with Nonlinear Monotonic Ensemble // Vorlesungsnotizen zur Informatik. 10. Internationaler Workshop zu Multiple Classidier Systemen (MCS-10). Neapel, Italien, 15.–17. Juni, S. 16–25, PDF, 490 KB, 2011.
6. D. Vetrov und A. Osokin, Graph Preserving Label Decomposition in Discrete MRFs with Selfish Potentials // Proceedings of International Workshop on Discrete Optiization in Machine Learning (DISSML NIPS 2011), 2011.
7. Osokin, D. Vetrov und 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 und D. Vetrov, Image Segmentation with a Shape Prior Based on Simplified Skeleton // Proceedings of International Workhop on Energy Minimization Methods (EMMCVPR2011), 2011.
9. Dyakonov, Zwei Empfehlungsalgorithmen basierend auf verformten Linearkombinationen // Proc. of ECML-PKDD, 2011, Discovery Challenge Workshop, pp. 21-28, 2011.
10. Dyakonov, Theorie der Äquivalenzsysteme zur Beschreibung algebraischer Abschlüsse eines verallgemeinerten Schätzmodells. II // Computermathematik und Mathematische Physik, vol. 51, Nr. 3, pp. 490-504, 2011.
11. N. Dyshkant, L. Mestetskiy, B.H. Shekar und Sharmila Kumari, Gesichtserkennung mittels Kernelkomponentenanalyse // Neurocomputing, vol. 74, Nr. 6, pp. 1053-1057, 2011.
12. B. H. Shekar, Sharmila Kumari, N. Dyshkant und L. Mestetskiy, FLD-SIFT: Class Based Scale Invariante Feature Transform for Accurate Classification of Faces // Comm. in Computer and Information Science, 1, Computernetzwerke und Informationstechnologien, vol. 142, Teil 1, S. 15-21, 2011.
13. Kurakin und L. Mestetskiy, Handgestenerkennung durch Online-Skelettierung - Anwendung des kontinuierlichen Skeletts zur Echtzeit-Formanalyse // Proceedings of the International Conference on Computer Vision Theory and Applications (VISAPP 2011), Vilamoura, Portugal, 2011, März 5-7, pp. 555-560, 2011.
14. Bakina, A. Kurakin und L. Mestetskiy, Handgeometrieanalyse durch kontinuierliche Skelette // Vorlesungsnotizen in der Informatik, Bildanalyse und -erkennung, Springer, vol. 6753/2011, Teil 2, S. 130-139, 2011.
15. ICH G. Bakina und 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. Bilateraler russisch-indischer wissenschaftlicher Workshop zu neuen Anwendungen von Computer Vision: Workshop Proc. / Ed. von A. Maysuradze - Moskau, MAKS Press, 2011 .-- 224 p. ISBN 978-5-317-03937-0
17. D. P. Vetrov, D. A. Kropotov, A. A. Osokin und D. A. Laptev, Variational segmentation algorithms with label frequency Constraints // Pattern Recogn. und Image Anal., vol. 20, nein. 3, pp. 324-334, 2010.
18. D. P. Vetrov, D. A. Kropotov, A. A. Osokin, A. Lebedev, V. Galatenko und K. Anokhin, Eine interaktive Methode zur anatomischen Segmentierung und Schätzung der Genexpression für einen experimentellen Maushirnschnitt // Proc. des 7. Praktikanten Konf. on Computational Intelligence Methods for Biostatistics and Bioinformatics, Palermo, Italien: Springer, No. 1, pp. 23-34, 2010.
19. D.P. Vetrov und V. Vishnevsky, Der Algorithmus zur Erkennung von Fuzzy-Verhaltensmustern // Proc. Verhaltensmessung 2010, 7. Intern. Konf. on Methods and Techniques in Behavioral Research, Eindoven, Holland: Springer, No. 1, pp. 41-45, 2010.
20. S. I. Gurov, Neues Prinzip zur Spezifizierung der a-priori-Verteilung und der Konsistenzintervallschätzung // Scientific Computing. Proz. des Intern. Eugene Lawler Ph.D. Schule. Waterford, Irland: WIT press, S. 8-20, 2010.
21. S. I. Gurov, Wahrscheinlichkeitsschätzung des 0-Ereignisses // Scientific Computing. Proz. des Intern. Eugene Lawler Ph.D. Schule. Waterford, Irland: WIT press, S. 198-209, 2010.
22. A.I. Maysuradze, Domänenorientierte Basen in Räumen endlicher Metriken eines bestimmten Ranges // Scientific Computing. Proz. des Intern. Eugene Lawler Ph.D. Schule. Waterford, Irland: WIT press, S. 210-221, 2010.
23. D.P. Vetrov, D.A. Kropotov und A.A. Osokin, 3D-Maus-Gehirnmodellrekonstruktion aus einer Sequenz von 2D-Schnitten in Anwendung auf den Allen-Hirn-Atlas // Computational Intelligence Methods for Bioinformaticcs and Biostatistics. Vorlesungsskript in Informatik, Berlin, Deutschland: Springer, Nr. 6160, pp. 291-303, 2010.
24. E.V. Djukova, Yu.I.Zhuravlev und R.M. Sotnezov, Aufbau eines Ensembles logischer Korrektoren auf Basis elementarer Klassifikatoren // Pattern Recogn. und Image Anal., vol. 21, nein. 4, pp. 599-605, 2011.
25. D. P. Vetrov und B. K. Yangel, Image segmentation with a shape Prior based on Simplifiedskelett // Proc. von Intern. Workshop zu Energieminimierungsmethoden. Berlin, Deutschland: Springer, S. 148-161, 2011.

1. Novikov Alexander, Rodomanov Anton, Osokin Anton und Vetrov Dmitry. Setzen von mrfs auf einen Tensorzug. Journal of Machine Learning Research, 32 (1): 811–819, 2014.
2. A. Osokin und D. Vetrov. Submodulare Relaxation für Inferenz in Markov-Zufallsfeldern. IEEE Transactions on Pattern Analysis and Machine Intelligence, 99, 2014.
3. Bartunov Sergey und Vetrov Dmitry. Variationsinferenz für den sequentiellen entfernungsabhängigen chinesischen Restaurantprozess. Journal of Machine Learning Research, 32 (1): 1404-1412, 2014.
4. L. Mestetskiy. Darstellung des linearen Segment-Voronoi-Diagramms durch Bezierkurven. In Proceedings of the 24th International Conf. GRAPHICON-2014, Seiten 83–87. Akademie für Architektur und Kunst SFedU Rostow am Don, 2014.
5. S. V. Ablameyko, A. S. Biryukov, A. A. Dokukin, A. G. D'yakonov, Yu I. Zhuravlev, V.V. Krasnoproschin, V. A. Obraztsov, M. Yu Romanov und V. V. Rjasanow. Praktische Algorithmen zur algebraischen und logischen Korrektur bei präzedenzbasierten Erkennungsproblemen. Computermathematik und Mathematische Physik, 54 (12): 1915-1928, 2014.
6. Tsoumakas Grigorios, Papadopoulos Apostolos, Qian Weining, Vologiannidis Stavros, D "yakonov Alexander, Puurula Antti, Read Jesse, Svec Jan und Semenov Stanislav. Wise 2014: Multi-Label-Klassifizierung von Printmedienartikeln zu Themen. Vorlesungsnotizen in Informatik, 8787: 541-548, 2014.
7. Vorontsov K. V. Additive Regularisierung für Themenmodelle von Textsammlungen // Doklady Mathematik. 2014, Pleiades Publishing, Ltd. - vol. 89, Nr. 3, pp. 301-304.
8. Vorontsov K. V., Potapenko A. A. Tutorial zur Probabilistic Topic Modeling: Additive Regularization for Stochastic Matrix Factorization // AIST'2014, Analysis of Images, Social Networks and Texts. Springer International Publishing Schweiz, 2014. Communications in Computer and Information Science (CCIS). vol. 436. pp. 29–46.
9. Uspenskiy VM, Vorontsov KV, Tselykh VR, Bunakov VA Information Function of the Heart: Discrete and Fuzzy Encoding of the EKG-Signal for Multidisease Diagnostic System // in Advances in Mathematical and Computational Tools in Metrology and Testing X (Band 10), Reihe über Fortschritte in der Mathematik für angewandte Wissenschaften, vol. 86, World Scientific, Singapur (2015), S. 375-382.
10. Vorontsov K. V., Potapenko A. A. Additive Regularisierung von Themenmodellen // Machine Learning Journal. Sonderheft „Datenanalyse und intelligente Optimierung mit Anwendungen“ (erscheint).

1. Gurov S.I. Abschätzung der Zuverlässigkeit eines Klassifikationsalgorithmus auf Basis eines neuen Informationsmodells // Comput. Mathematik und Mathe. Phys. 2013.53.N 5. S. 640-656.
2. Nekrasov K.V., Laptev D.A., Vetrov D.P. Automatische Bestimmung der Zellteilungsrate anhand von Mikroskopbildern // Pattern Recogn. und Bildanalyse. 2013.23.N. 1.S. 105-110.
3. Osokin A.A., Amelchenko E.M., Zworikina S.V., Chekhov S.A., Lebedev A.E., Voronin P.A., Galatenko V.V., Vetrov D.P., Anokhin K.V. Statistische parametrische Kartierung von Veränderungen der Genaktivität im tierischen Gehirn während akustischer Stimulation // Bulletin of Experimental Biology and Medicine. 2013, 154. N 5. S. 697-699.
4. Voronin P.A., Vetrov D.P., Ismailov K. Ein Ansatz zur Segmentierung von Gehirnbildern von Mäusen über intermodale Registrierung // Pattern Recogn. und Bildanalyse. 2013.23.N. 2.P. 335-339.
5. Zhuravlev Y.I., Laptin Y., Vinogradov A., Likhovid A. Ein Vergleich einiger Ansätze zu Erkennungsproblemen in der Pflege zweier Klassen // Informationsmodelle & Analysen. 2013. 2. N 2. S. 103-111.
6. Chernyshov V.A., Mestetskiy L.M. Mobiles Bildverarbeitungssystem zur handflächenbasierten Erkennung // Proc. des 11. Praktikanten Konf. Mustererkennung. und Bildanalyse: Neue Informationstechnologien. N 1. Samara: ISOI RAN, 2013. S. 398-401.
7. Djukova E. V., Lyubimtseva M. M., Prokofjev P. A. Logische Korrektoren bei Erkennungsproblemen // Proc. des 11. Praktikanten Konf. Mustererkennung. und Bildanalyse: Neue Informationstechnologien. N 1. Samara: ISOI RAN, 2013. S. 82-83.
8. Dyshkant N. F. Vergleich von Punktwolken, die von 3D-Scannern erfasst wurden // Diskrete Geometrie für Computerbilder. 17. Praktikantin Konf. Skript zur Vorlesung Informatik. N 7749. Berlin, Deutschland: Springer, 2013. S. 47-58.
9. Gurov S.I., Prokasheva O.V., Onishchenko A.A. Klassifizierungsmethoden basierend auf formaler Konzeptanalyse // The 35th European FCAIR 2013-Formal Concept Analysis Meets Information Retrieval. N 1. M.: Verlag der National Research University Higher School of Economics, 2013. S. 95-104.
10. Mestetskiy L.M., Zimovnov A.V. Kurvenskelettextraktion mit Silhouetten "mediale Achsen // GraphiCon" 2013. 23. Internationale Konferenz für Computergrafik und Vision. Tagungsband. Wladiwostok: Dalnauka, 2013. S. 91-94.
11. Osokin A., Kohli P., Jegelka S. Ein prinzipielles Deep-Random-Field-Modell zur Bildsegmentierung // 2013 IEEE Conf. über Computer Vision und Mustererkennung. N.Y., USA: IEEE Computer Society Press, 2013. S. 1971-1978.
12. Zhuravlev Y.I., Gurevich I., Trusova Yu., Vashina V. Die Herausforderung der Probleme und Aufgaben der deskriptiven Ansätze zur Bildanalyse // Proc. des 11. Praktikanten Konf. Mustererkennung. und Bildanalyse: Neue Informationstechnologien. N 1. Samara: ISOI RAN, 2013. S. 30-35.
13. Dyakonov A.G. Deformation von Antworten von Datenanalysealgorithmen // Spektral- und Evolutionsprobleme. Nr. 23. Simferopol, Ukraine: Taurida National V. Vernadsky University, 2013. S. 74-78.

1. Bondarenko N.N., Zhuravlev Yu.I. Algorithmus zur Auswahl von Konjunktionen für logische Erkennungsmethoden // Comput. Mathematik. und Mathe. Phys. 2012. 52. Nr. 4. S. 746-749.
2. D "yakonov A.G. Kriterien für die Singularität einer paarweisen L1-Abstandsmatrix und deren Verallgemeinerungen // Izvestiya. Mathematics. 2012.76. N 3.P. 517-534.
3. Onishchenko A.A., Gurov S.I. Klassifikation basierend auf formaler Konzeptanalyse und Biclustering: Möglichkeiten des Ansatzes // Computational Mathematics and Modeling. 2012.23.N 3. S. 329-336.
4. Voronin P.A., Adinetz A.V., Vetrov D.P. Ein neues Maß für Distance-Field-based Shape Matching // GraphiCon "2012. 22nd International Conference on Computer Graphics and Vision. Conference Proceedings. M.: MAKS Press, 2012. S. 101-106.
5. D "yakonov A.G. A blending of simple algorithms for topal classification // Rough Sets and Current Trends in Computing. Lecture Notes in Computer Science. N 7413. Berlin, Deutschland: Springer, 2012. S. 432-438.
6. Osokin A.A., Vetrov D.P. Submodulare Relaxation für MRFs mit Potentialen höherer Ordnung // Computer Vision - ECCV 2012. Workshops und Demonstrationen. Skript zur Vorlesung Informatik. N 7585. Berlin, Deutschland: Springer, 2012. S. 305-314.
7. Voronin P.A., Vetrov D.P. Robuste Distanzfelder für formbasierte Registrierung // Intellektualisierung der Informationsverarbeitung: 9. internationale Konferenz. M.: Torus Press, 2012. S. 382-385.
8. Yangel B.K., Vetrov D.P. Global optimale Segmentierung mit graphbasierter Form vor // Intellektualisierung der Informationsverarbeitung: 9. internationale Konferenz. M.: Torus Press, 2012. S. 456-459.

Präsident - Akademiker der Russischen Akademie der Wissenschaften Evgeny Ivanovich Moiseev
Stellvertretender Dekan - Akademiker der Russischen Akademie der Wissenschaften Igor Anatolyevich Sokolov

Fakultät für Computermathematik und Kybernetik (CMC) Moskau staatliche Universität benannt nach MV Lomonosov ist das führende Ausbildungszentrum in Russland für die Ausbildung von Personal im Bereich der Grundlagenforschung in angewandter Mathematik, Computermathematik, Informatik und Programmierung.

Die Fakultät wurde 1970 gegründet. Die Tatsache seiner Entstehung, die Entwicklung einer Struktur und Hauptrichtungen wissenschaftliche Aktivitäten Die CMC-Fakultät ist einem der größten Wissenschaftler Russlands zu Dank verpflichtet - dem Akademiemitglied Andrei Nikolaevich Tikhonov. Die Bemühungen von A. N. Tikhonov bei der Gründung der CMC-Fakultät erhielt die Unterstützung des Akademiemitglieds M.V. Keldysh - damals Präsident der Akademie der Wissenschaften der UdSSR. Neben A. N. Tikhonov, der in den ersten 20 Jahren ihres Bestehens Dekan der CMC-Fakultät war, spielten die ersten Mitglieder der Fakultät eine wichtige Rolle: Akademiker L.S. Pontryagin, Korrespondierende Mitglieder der Akademie der Wissenschaften der UdSSR L.N. Bolschew und S. V. Yablonsky und Professoren I.S. Beresin und Yu.B. Germeier.

In den letzten Jahren hat die Fakultät die führenden wissenschaftlichen Fakultäten Russlands in verschiedenen grundlegenden Bereichen der angewandten Mathematik und Informatik gebildet: in der Theorie schlecht gestellter Probleme, in der mathematischen Physik und der Spektraltheorie der Differentialgleichungen, in nichtlinearen dynamischen Systemen und Steuerungsprozesse, in Computermethoden und mathematischer Modellierung, in Spieltheorie und Operations Research, in optimaler Steuerung und Systemanalyse, in mathematischer Kybernetik und mathematischer Logik, in Wahrscheinlichkeitstheorie und mathematischer Statistik, in der angewandten und theoretischen Programmierung, in der Architektur des Rechnens Systeme und Netzwerke.

Die CMC-Fakultät umfasst 19 Abteilungen: Mathematische Physik, Computermethoden, Allgemeine Mathematik, Funktionsanalyse und ihre Anwendungen, Wissenschaftliche Forschungsautomatisierung, Computertechnologien und Modellierung, Supercomputer und Quanteninformatik, Nichtlineare dynamische Systeme und Regelprozesse, Optimale Regelung, Systemanalyse, Mathematische Statistik, Operations Research, mathematische Vorhersagemethoden, mathematische Kybernetik, Systemprogrammierung, algorithmische Sprachen, Computersystemautomatisierung, Informationssicherheit, Englisch.

Zu den Leitern der Abteilungen gehören die Akademiker Yu.I. Zhuravlev, A. B. Kurzhansky, E. I. Moiseev, Yu.S. Osipow, I. A. Sokolov, E. E. Tyrtyshnikov, B. N. Chetvertushkin, Korrespondierendes Mitglied V.V. Voevodin, A. I. Avetisyan, R. L. Smeljanski.

Die Ausbildung an der Fakultät erfolgt nach folgenden Grundausbildungsgängen zur Ausbildung von Bachelor und Master: 010300 "Grundinformatik und Informationstechnologien", 010400 "Angewandte Mathematik und Informatik".

Das Curriculum für die Bachelor-Studiengänge der Fakultät für Computermathematik und Kybernetik der Moskauer Staatlichen Universität sieht eine grundlegende mathematische Ausbildung vor. Die Studierenden studieren Mathematische Analysis, Funktionstheorie einer komplexen Variablen, Funktionalanalysis, Lineare Algebra, Analytische Geometrie, Gewöhnliche Differentialgleichungen, Gleichungen der mathematischen Physik, Wahrscheinlichkeitstheorie, Mathematische Statistik, Mathematische Logik, Diskrete Mathematik, Numerische Methoden, Operations Research, Spiel Theorie, optimale Steuerung, extreme Probleme.

Den Studierenden der Fakultät wird eine breite Palette von Kursen zu folgenden Themen angeboten: Computertechnologie und Programmierung: Algorithmen und algorithmische Sprachen, Computerarchitektur und Assemblersprache, Betriebssysteme, Anwendungssoftware, Computergrafik, Parallel Computing, Datenbanken, Betriebssysteme, künstliche Intelligenz, objektorientierte Programmierung, Computernetzwerke, Netzwerktechnologien, Programmiersysteme, Verifikation von Programme zu Modellen, objektorientierte Analyse und Design, formale Methoden der Programmspezifikation.

Die praktische Arbeit am Computer, auch an Hochleistungsrechensystemen, nimmt in der Ausbildung einen hohen Stellenwert ein. Während des Studiums lernen die Studierenden, mit mehreren Betriebssystemen zu arbeiten und lernen mindestens drei Programmiersprachen. Alle Studenten studieren Englisch und Geisteswissenschaften.

In den ersten beiden Kursen wird die Ausbildung allgemein durchgeführt Lehrpläne und Programme. Der Schwerpunkt liegt auf der allgemeinen mathematischen Ausbildung sowie der theoretischen und angewandten Programmierung. In letzter Zeit wurde der Verwendung von Supercomputern, Supercomputertechnologien bei der Modellierung und parallelem Rechnen viel Aufmerksamkeit geschenkt. Ab dem dritten Jahr spezialisieren sich die Studierenden in ihren gewählten Fachbereichen. Jeder Student arbeitet in einem speziellen Seminar und hat seinen eigenen Betreuer.

Absolventinnen und Absolventen des Bachelorstudiums können ihr Studium im Magistrat der Fakultät fortsetzen. Die Studienzeit für ein Masterstudium beträgt 2 Jahre. Die Zulassung zum Magistrat erfolgt kompetitiv. Absolventinnen und Absolventen des Masterstudiums der Fakultät, die eine Vorliebe für wissenschaftliche Tätigkeiten gezeigt haben, können ihr Studium in der Graduiertenschule der Fakultät fortsetzen. Die Studiendauer im postgradualen Vollzeitstudium beträgt 4 Jahre.

Die Vorbereitung des Masters in der Richtung "Angewandte Mathematik und Informatik" erfolgt nach den Programmen: "Computational Technologies and Modeling", "Spectral Theory of Differential Operators and Control of Distributed Systems", " Numerische Methoden und mathematische Modellierung "," Computermethoden in der mathematischen Physik, inverse Probleme und Bildverarbeitung "," Moderne Methoden Mathematische Modellierung ”,„ Operations Research and Actuarial Mathematics ”,„ Diskrete Strukturen und Algorithmen ”,„ Diskrete Steuerungssysteme und ihre Anwendungen ”,„ Statistische Analyse und Risikovorhersage ”,„ Informationssicherheit von Computersystemen ”,„ Theorie nichtlinearer dynamischer Systeme : Analyse, Synthese und Kontrolle "," Mathematische Modellierungsmethoden und Optimierungsmethoden kontrollierte Prozesse"," Logische und kombinatorische Methoden der Datenanalyse "," Mathematische Methoden der Systemanalyse, Dynamik und Steuerung "," Intelligente Systeme "," Intelligente Analyse von Big Data "," Compiler-Technologien "," Programmiertechnologien "," Supercomputersysteme und Anwendungen", "Verteilte Systeme und Rechnernetze", "Quanteninformatik", "Software für Rechnernetze", "Mathematik und Software für Informationssicherheit", "Mathematische und computergestützte Methoden der Bildverarbeitung", "Technologien der parallelen Programmierung und Hoch -Performance Computing", "Large Data: Infrastruktur und Methoden zur Problemlösung". Die Vorbereitung des Masters in der Richtung "Grundinformatik und Informationstechnologien" erfolgt nach den Programmen: "Offene Informationssysteme", "Informationssysteme für Unternehmensführung".

Die Ausbildung an der Fakultät ist ohne enge Verbindung zur Wissenschaft undenkbar. Die Studierenden sind zwingend in die wissenschaftliche Forschung in den Fachbereichen der Fakultät, in wissenschaftlichen Instituten oder in wissenschaftlichen Laboratorien eingebunden. An der Fakultät wurden Forschungslabore geschaffen: Mathematische Physik, Computergestützte Elektrodynamik, Modellierung von Wärme- und Stoffübergangsprozessen, Inverse Probleme, Mathematische Methoden der Bildverarbeitung, Mathematische Modellierung in der Physik, Differenzmethoden, Offene Informationstechnologien, Statistische Analyse, Mathematische Probleme des Computers Sicherheit, Computerwerkstatt und Informationssysteme, Computersysteme, Informationssysteme im Bildungswesen und wissenschaftliche Forschung, Computergrafik und Multimedia, Programmiertechnologien, elektronische Computer, Werkzeuge in der mathematischen Modellierung, Wirtschaftsmathematik sowie Studenten Forschungslabor Technologielabor von Intel und Microsoft.

Die Fakultät ist mit Computern gut ausgestattet. Es gibt mehrere Computerklassen, die mit modernster Multimedia-Technologie und Software auf Basis von Intel-Prozessoren ausgestattet sind, mehrere Klassen von Workstations mit UNIX-Betriebssystemen. Alle Klassen sind zu einem lokalen Netzwerk auf Basis von Glasfaserkommunikation mit Internetzugang vereint. Die Fakultät verfügt über mehrere Grafikstationen, darunter den HP Apollo-9000, einen Hochleistungscluster, und die Multiprozessor-Supercomputer IBM eServer pSeries 690 Regatta. 2008 installierte die Fakultät einen Supercomputer IBM Blue Gene/P mit einer Kapazität von etwa 30 Teraflops (Billionen Gleitkommaoperationen pro Sekunde). Seit 2009 ist der Supercomputer Lomonosov in Betrieb.

Die Fakultät hat enge Arbeitskontakte zu großen IT-Unternehmen wie Intel, Microsoft, Microsoft Research, IBM, Hewlett-Packard, Sun, Cisco, SAP, Samsung; viele russische Unternehmen: Luxoft, Redlab, IT, Garant, Consultant-Plus, DVM, Kaspersky Lab, Mail.Ru Group und andere. Die Fakultät hat eine regionale Akademie CISCO. Zusammen mit den Instituten der Russischen Akademie der Wissenschaften hat die Fakultät ein Bildungs- und Wissenschaftszentrum für Supercomputer-Modellierung geschaffen.

Bei der Anstellung von Absolventen der Fakultät gibt es keine Probleme. Die Absolventen der Fakultät arbeiten in allen Bereichen, in denen Computertechnologie eingesetzt wird: Hochschul- und Forschungsinstitute, Hochschulen, Regierungs- und Regierungsbehörden, Banken, Versicherungen, Finanz-, Beratungsunternehmen, russische und ausländische Unternehmen usw. Etwa ein Drittel der Absolventen setzt ein postgraduales Studium fort .

Die Fakultät hat mit einer Reihe ausländischer Universitäten Vereinbarungen über Kooperationen und Studierendenaustausch getroffen. Die Kombination aus tiefer theoretischer Ausbildung mit aktiver Praxis- und Forschungsarbeit unter Anleitung von Lehrenden und Forschenden macht die Absolventen der Fakultät wettbewerbsfähig auf dem Arbeitsmarkt.

Seltsame Beschreibungen von Stühlen ... was bedeutet "Einer der wenigen Orte, an denen es Konkurrenz in mathematischen Ergebnissen gibt." - nicht verstanden

Versuchen wir es mit SA ...
Website der Abteilung http://sa.cs.msu.su/

Dieser Fachbereich hebt sich von anderen ... dadurch ab, dass er die umfassendste und qualitativ hochwertigste mathematische Ausbildung an der Fakultät bietet.

Kern des Curriculums sind Kurse zum optimalen Management. Die Essenz von OA besteht darin, Objekt A optimal in Menge B zu verschieben und zu kontrollieren. Bei aller Abstraktheit findet dieses Problem breite Anwendung in ganz anderen Bereichen. Objekt A kann also eine Rakete, ein Maschinengewehr in einer Anlage, die Anlage selbst als Teil der Wirtschaft oder sogar ein Wertpapierportfolio sein.

Es ist klar, dass Sie, um dieses Problem im allgemeinen Fall zu lösen, eine kränkliche Kutsche der Mathematik kennen müssen - all dies wird im Rahmen von Lehrveranstaltungen der Fakultät gegeben ... in der funktionalen und konvexen Analysis (CA ist die einzige Abteilung) das hilft OM, Funkan anzuerkennen), Identifikationstheorie, dh Stabilität, d. h. dynamische Systeme + einige Klassen von ODE und PDE + Kalman-Filter und grundlegende Dinge über Zeitreihen. Die Theorie wird von umfangreichen praktischen Aufgaben begleitet, die die Studenten in Matlab, dem führenden mathematischen Paket für Quanteningenieure und Finanziers, bearbeiten. Außerdem wird den Schülern erklärt, wie diese ganze Theorie in der mathematischen Biologie, in den Wirtschaftswissenschaften und in der Finanzmathematik angewendet wird ...

Trotz der Breite der Berichterstattung – die Tiefe des Materials entspricht den besten Traditionen der Sowjetzeit … ein Student kann den Examenstest endlos machen, bis er den Stoff gelernt hat ... meine persönliche Bestleistung war - 6 Versuche (nachdem ich alle Definitionen gelernt habe - Theorembeweise - Problemlösung - wurde der Test in 20 Minuten bestanden). Infolgedessen haben CA-Studierende nicht das geringste Problem damit, Online-Kurse zu bestehen, die aufgrund der schieren Dozentenzahl auf einem ekligen Niveau gelesen werden.

Die Abteilung beschäftigt wunderbare Spezialisten:
Kurzhansky ist Gründungsvater, Megamind, besucht Russland selten, ist aber immer in Kontakt, sehr anspruchsvoll, streng aber fair.
Bratus ist einer der führenden Spezialisten für mathematische Biologie des Landes, ein sehr angenehmer Mensch mit einem sehr schwierigen Schicksal.
Shananin ist einer der führenden Spezialisten des Landes für mathematische Wirtschaftswissenschaften
Arutyunov - reine Mathematik, konvexe Analyse, widmet seinen Schülern viel Zeit
Lotov - Multikriterielle Optimierung, sitzt am Institut der Russischen Akademie der Wissenschaften - ich hatte wenig Kontakt mit ihm
Smirnov ist Finanzmathematiker, SN macht viele angewandte Projekte, seine Forschungsinteressen sind zufällige Prozesse, ein wunderbarer Mensch, aber er hat sehr wenig Zeit für Studenten.
Und auch mehrere junge Kerle Darin, Tochilin, Rublev
Leider müssen viele von ihnen an anderen Orten in Teilzeit arbeiten, weil das Gehalt von Professoren reicht einfach nicht aus ... dadurch ist ihre Zeit begrenzt, aber wenn ein Student wirklich etwas im wissenschaftlichen Arbeiten diskutieren möchte, dann findet er immer Zeit

Jedes Jahr gelingt es der Abteilung, talentierte Kinder zu sammeln. Lernschwierigkeiten vereinen das Team - mit vielen Kommilitonen habe ich noch Kontakt - obwohl ich am anderen Ende wohne der Globus... Überraschenderweise ist die Fakultät in Bezug auf den Anteil der Honours-Absolventen stabil unter den Spitzenreitern der Fakultät. Die Qualität der Abschlussarbeiten schneidet auch im Vergleich zu anderen Abteilungen gut ab, wo die meisten Leute ab dem 4. Jahr arbeiten und ihre Diplome einer formalen Antwort und nicht einer ernsthaften ähneln. wissenschaftliche Arbeit... Die Abteilung geht von Vollbeschäftigung aus, selten schafft es jemand, dies mit der Arbeit am 3-4-Kurs zu verbinden ... Ich musste es kombinieren - dadurch habe ich leider viel weniger Wissen an der Abteilung bekommen, als ich konnte.

Wer arbeiten Absolventen und ist es das wert? Wie die Jungs aus anderen Fachbereichen der Akademie der Wissenschaften arbeiten sie hauptsächlich in den Bereichen IT und Finanzen ... in unserem Land ist der Bedarf an starken angewandten Mathematikern gering - es besteht die Möglichkeit, im Ausland weiter zu studieren (PhD)

Manchmal frage ich mich, welche Abteilung ich wählen würde, wenn ich in die Vergangenheit versetzt würde - und antworte, dass ich wieder SA wählen würde.

PS: Sori für meine Fehler in der Sprache, ich schreibe nicht oft auf Russisch.