전산수학과 수학부의 학과에 대해 간략히 설명합니다. 모스크바 주립대학교 계산 수학 및 사이버네틱스 학부 수학적 예측 방법학과

학과장: Zhuravlev Yury, RAS 학자, Dr.Sc 교수.

연락처 기타 연락처 정보

119991, Moscow, GSP-1, Leninskiye Gory, MSU, 2nd Educational Building, CMC Faculty, room 530, 532, 573, 680 (학과장)

본 학과에서는 기계 학습, 데이터 마이닝, 이미지 처리 알고리즘 및 자연 과학, 경제, 금융 등의 응용 분야 전문가를 양성합니다. 이 학과의 전문 분야에는 복잡한 시스템(기술 및 경제 시스템 포함)을 진단하고, 이러한 시스템을 분석하고, 간접적이거나 불완전하거나 모순되는 정보를 기반으로 최적 또는 거의 최적에 가까운 솔루션을 구축하기 위한 수학적 방법이 포함됩니다.

훈련 기간 동안 학생들은 현대 대수학 및 수학 논리, 알고리즘 이론, 이산 및 조합 수학, 패턴 인식의 수학적 방법을 포함한 인공 지능의 수학적 모델, 기계 학습, 이미지 처리, 확률 이론, 응용 통계, 그래픽 모델.

실습 세션에 참석하여 학생들은 최신 데이터베이스 및 소프트웨어 작업 기술을 습득하고, 최신 프로그래밍 언어 및 기술을 배우고, 응용 문제 해결 경험을 얻습니다. 학생들은 또한 러시아 과학 아카데미의 연구 기관, 혁신적인 기업, 금융 기관 등에서 실습을 하게 됩니다. 그들의 스승 시대까지 그들 중 다수는 이미 과학 저널과 주요 학회의 진행 과정에 논문을 게재했습니다.

이 학과에서는 채점 시스템, 사기 탐지, 소매 예측, 생물정보학, 자연어 처리, 컴퓨터 비전, 전문가 시스템 등과 같은 다양한 데이터 처리 문제를 해결하기 위한 수학적 방법을 개발하고 적용하는 전문가를 준비합니다.

직원들:

Rudakov Konstantin, RAS의 해당 회원, 교수, Dr.Sc.
Mestetsky Leonid, RAS 대응 회원, Dr.Sc.
Dyakonov Alexander 교수, Dr.Sc.
Leontyev Vladimir, Dr.Sc 교수.
Vorontsov Konstantin, 부교수, Dr.Sc.
Gurevich Igor, 부교수, 박사
구로프 세르게이(Gurov Sergey) 부교수, 박사
Dyukova Elena, 부교수, Dr.Sc.
Maisuradze Archil, 부교수, 박사
Ryazanov Vladimir, 부교수, Dr.Sc.
Senko Oleg, 부교수, Dr.Sc.
Vetrov Dmitry, 부교수, 박사
Kropotov Dmitry, 연구원, 부서 과학 비서

정규과정:

Prof.의 기계 학습에서의 대수적 방법 Zhuravlev, 강의 16시간 및 세미나 16시간.
교수의 응용 대수학 디아코노프 교수 Leontyev, Assoc. 교수 구로프, 강의 48시간, 세미나 48시간.
Assoc의 머신러닝 교수 보론스토프, 32시간 강의.
Assoc의 기계 학습 베이지안 방법. 교수 Vetrov, 강의 16시간, 세미나 16시간.
Assoc의 그래픽 모델 교수 Vetrov, 강의 16시간, 세미나 16시간.
교수의 수학적 분류 방법 Rudakov, 32시간 강의.
Assoc의 컴퓨터 워크샵. 교수 Maisuradze, 48시간 강의.
교수의 이미지 처리 및 분석 메스테츠키, 16시간 강의.
Prof.의 알고리즘, 모델, 대수학 Dyakonov, 16시간 강의.
Assoc별 응용통계 교수 보론스토프(Voronstov), 강의 16시간, 세미나 16시간.
Ass에 의한 신호 처리. 교수 크라소트키나(Krasotkina), 16시간 강의.

특별 코스:

Dr. Dr.의 베이지안 머신러닝 방법 Vetrov, 16시간 강의.
Assoc.의 생물정보학의 계산 문제. 교수 Makhortyh 및 Assoc. 교수 Pankratov, 16시간 강의.
Assoc.의 이미지 마이닝 교수 구레비치, 16시간 강의.
Assoc의 고전 논리학 명제 미적분학. 교수 구로프, 32시간 강의.
Assoc의 정보 이론의 조합적 기초. 교수 보론스토프, 16시간 강의.
Assoc에 의한 패턴 인식의 논리적 방법. 교수 듀코바, 16시간 강의.
교수의 생체인식 수학적 방법 Rudakov, 16시간 강의.
Assoc.의 데이터 마이닝 측정 방법 교수 Maisuradze, 16시간 강의.
Prof.의 연속 형태학적 모델 및 알고리즘 메스테츠키, 16시간 강의.
Assoc에 의한 데이터 마이닝 및 분류의 비통계적 방법. 교수 Ryazanov, 32 강의 시간.
일반화 스펙트럼 분석법, 16시간 강의.

특별 과학 세미나 및 연구 방향:

데이터 마이닝, 기계 학습 및 패턴 인식에 대한 대수적 접근 방식

(RAS Yu. I. Zhuravlyov 학자, RAS K.V. Rudakov 대응 회원, Dr.Sc. V.V. Ryazanov, Dr.Sc. A.G. Dyakonov).

대수적 접근 방식의 틀에서 새로운 알고리즘은 초기 알고리즘(약한 학습기)에 대한 공식이나 부울 함수(논리 교정기)로 구성됩니다. 주요 결과는 모든 알고리즘이 인식 연산자와 결정 규칙의 중첩으로 제시될 수 있다는 것입니다. 이를 통해 알고리즘 결과를 특수 행렬, 즉 추정 행렬(인식 연산자의 출력)과 결과 행렬(의사결정 규칙의 출력)으로 설명할 수 있습니다. 알고리즘에 대한 연산은 해당 추정 행렬에 대한 연산에 의해 유도됩니다. 대수적 접근 방식을 사용하면 알고리즘에 대한 공식, 즉 테스트 세트에서 올바른 공식(또는 초기 알고리즘보다 더 나은 성능을 갖는 공식)을 구성할 수 있습니다.

컴퓨터 학습 이론 및 기계 학습 응용

(K. 보론초프 박사)

기계 학습 연구에서 가장 어려운 문제 중 하나는 학습 기계의 일반적인 성능을 분석하는 것입니다. 엄격하고 어떤 경우에는 정확한 일반화 범위를 제공하는 과적합의 조합 이론이 개발되었습니다. 이러한 경계는 앙상블 학습, 규칙 유도, 원격 학습, 기능 선택, 프로토타입 선택과 같은 기계 학습 하위 영역에서 학습 알고리즘을 설계하는 데 적용됩니다. 또 다른 연구 방향은 대규모 과학 문서 모음 분석에 적용되는 정보 검색, 협업 필터링 및 확률적 주제 모델링입니다.

이미지 형태 분석 및 분류의 연속 모델

(L. 메스테츠키 교수)

연속 모델에 의한 디지털 이미지의 객체 형상 표현에 대한 접근 방식 및 방법이 연구 중입니다. 인간의 눈은 디지털 이미지의 개별적인 특성을 볼 수 없습니다. 이미지는 연속적인 그림처럼 보이며 모양의 "단단한" 연속 기하학적 모델을 작동하는 것이 더 일반적이고 간단합니다. 따라서 연속 모델을 사용하면 이미지 모양을 분석, 분류 및 변환하는 알고리즘 생성이 크게 단순화됩니다. 도형의 보편적인 연속 모델로서의 개념이 사용됩니다. 그림은 경계가 교차하지 않는 유한 수의 조단 곡선으로 구성된 닫힌 영역으로 정의됩니다. 그림 표현의 세 가지 상호 연결된 방법은 조사적입니다. 이는 경계, 중간 및 원형 설명입니다. 디지털 이미지에 대한 연속 모델을 구성하는 작업은 연속적인 수치를 통해 이 이미지에 접근하는 것으로 축소됩니다. 그런 다음 디지털 이미지에서 개별 개체의 형상 분석 및 관련 분류를 위해 효율적인 계산 기하학 알고리즘이 적용됩니다.

기계 학습의 베이지안 방법

(D. Vetrov 박사와 D. Kropotov)

연구 작업은 확률 이론에서 베이지안 접근 방식을 조사하고 다양한 기계 학습 및 컴퓨터 비전 문제를 해결하기 위한 적용에 중점을 두고 있습니다. 베이지안 방법은 지난 15년 동안 널리 보급된 기술이 되었습니다. 주요 장점에는 기계 학습 모델의 구조적 매개변수 자동 조정, 불확실성이 있는 경우 올바른 추론 방법, 데이터 배열의 구조적 및 확률적 상호 작용을 고려할 수 있는 가능성(적극적으로 개발 중인 그래픽 모델 개념 기반) 및 접근 방식이 포함됩니다. 간접적인 관찰과 이전 아이디어를 쉽게 융합할 수 있는 데이터 및 모델 매개변수 표현.

개발된 기술은 인지 과정 중 동물 두뇌의 유전자 발현 분석을 포함하여 다양한 응용 문제를 해결하는 데 집중적으로 사용됩니다.

데이터 마이닝: 새로운 과제와 방법

관련 세미나는 2~5학년 학생, 대학원생, 관심 있는 누구나 참여할 수 있도록 마련됐다. 봄학기에 참가자 및 초청 전문가의 보고서 형식으로 진행됩니다. 주제는 다양합니다. 여기에는 패턴 인식의 압축성 가설이 포함되지만 이에 국한되지는 않습니다. 부울 방정식의 해법과 제어 회로의 합성; 뇌 활동 분석을 위한 수학적 방법; 부분적으로 정렬된 세트의 특성; 방사선 사진 및 그림 사진의 잠재 이미지 기반 처리 감지; 응용 문제의 형식적 개념 분석.

클러스터링 문제

(RAS Yu. Zhuravlev 학자 및 V. Ryazanov 박사)

서로 다른 원칙을 기반으로 하고 주어진 샘플의 서로 다른 파티션으로 이어지는 많은 클러스터링 알고리즘이 있습니다. 데이터의 통계적 모델이 없으면 클러스터링의 평가 및 비교 문제가 발생합니다. 결과 클러스터링이 객관적인 현실과 일치합니까, 아니면 파티션만 얻습니까? 클러스터링 품질을 평가하는 기준과 계산 방법이 설계되었습니다. 이러한 기준을 사용하면 클러스터링 알고리즘의 앙상블을 구성할 수 있습니다.

지적 데이터 마이닝: 새로운 문제와 방법

(S. Gurov 박사 및 A. Maisuradze 박사)

미터법 공간에서의 데이터 마이닝

(A. Maisuradze 박사)

영상에 포함된 정보 분석 및 추정

(I. Gurevich 박사)

패턴 인식의 논리적 방법

(E. 듀코바 박사)

정보 이론의 조합 방법

(V. Leontyev 박사)

문제 지향적인 패턴 인식 방법

(RAS 교신위원 K. Rudakov 교수, Yu. Chekhovich 박사)

최근 논문

V.V. Ryazanov 및 Y.I. Tkachev, 분류 알고리즘 위원회의 베이지안 수정을 기반으로 한 종속성 추정 // Computat. 수학. 그리고 수학. 물리학, vol. 50. 아니. 9, 페이지. 1605-1614, 2010.
V.V. Ryazanov, 누락된 데이터 복원을 위한 일부 대치 알고리즘 // 컴퓨터 과학(LNCS) 강의 노트, vol. 7042, pp. 372-379, 2011.
K. Vorontsov, 경험적 위험 최소화를 위한 과적합 확률에 대한 정확한 조합 경계 // 패턴 인식 및 이미지 분석, vol. 20, 아니. 3, 페이지. 269–285, PDF, 427Kb, 2010.
K. Vorontsov 및 A. Ivakhnenko, 임계값 결합 규칙에 대한 엄격한 조합 일반화 경계 // 컴퓨터 과학 강의 노트. 제4차 패턴 인식 및 기계 지능에 관한 국제 컨퍼런스(PReMI'11), 러시아, 모스크바, 6월 27일~7월 1일, pp. 66–73, PDF, 153Kb, 2011.
N. Spirin 및 K. Vorontsov, 비선형 단조 앙상블을 사용한 순위 학습 // 컴퓨터 과학 강의 노트. 다중 분류 시스템(MCS-10)에 관한 제10차 국제 워크숍. 이탈리아 나폴리, 6월 15~17일, pp. 16–25, PDF, 490Kb, 2011.
D. Vetrov 및 A. Osokin, 이기적 잠재력이 있는 이산 MRF의 라벨 분해를 보존하는 그래프 // 기계 학습의 이산 최적화에 관한 국제 워크숍 진행(DISSML NIPS 2011), 2011.
Osokin, D. Vetrov 및 V. Kolmogorov, 전역 제약 조건이 있는 연관 마르코프 네트워크의 추론을 위한 하위 모듈 분해 프레임워크 // 컴퓨터 비전 및 패턴 인식에 관한 국제 회의(CVPR2011), 뉴욕, 미국, Springer, pp. 135-142, 2011.
Yangel 및 D. Vetrov, 단순화된 골격을 기반으로 한 사전 모양을 사용한 이미지 분할 // 에너지 최소화 방법에 관한 국제 워크숍 진행(EMMCVPR2011), 2011.
Dyakonov, 변형된 선형 조합을 기반으로 한 두 가지 추천 알고리즘 // Proc. ECML-PKDD, 2011, Discovery Challenge Workshop, pp. 2011년 21~28일.
Dyakonov, 일반화된 추정 모델의 대수적 종결을 설명하기 위한 등가 시스템 이론. II // 전산수학과 수리물리학, vol. 51, 아니. 3, 페이지. 490-504, 2011.
N. Dyshkant, L. Mestetskiy, B.H. Shekar 및 Sharmila Kumari, "커널 구성 요소 분석을 사용한 얼굴 인식", Neurocomputing, vol. 74, 아니. 6, pp. 1053-1057, 2011.
B.H. Shekar, Sharmila Kumari, N. Dyshkant 및 L. Mestetskiy, FLD-SIFT: 얼굴의 정확한 분류를 위한 클래스 기반 척도 불변 특징 변환 Comm. 컴퓨터 및 정보 과학, 1, 컴퓨터 네트워크 및 정보 기술, vol. 142, 1부, pp. 2011년 15~21일.
Kurakin 및 L. Mestetskiy, 온라인 뼈대화를 통한 손 제스처 인식 - 연속 뼈대를 실시간 형태 분석에 적용 // 컴퓨터 비전 이론 및 응용에 관한 국제 회의(VISAPP 2011), Vilamoura, 포르투갈, 2011년 3월 5-7, pp. 555-560, 2011.
Bakina, A. Kurakin 및 L. Mestetskiy, 연속 골격에 의한 손 기하학 분석 // 컴퓨터 과학 강의 노트, 이미지 분석 및 인식, Springer, vol. 6753/2011, 파트 2, pp. 130-139, 2011.
I.G. 바키나와 L.M. Mestetskiy, 자연스러운 손 위치에서 손 모양 인식 // 손 기반 생체 인식에 관한 IEEE 국제 회의 간행물, 홍콩 폴리테크닉 대학교, 홍콩, pp. 170-175, 2011.
컴퓨터 비전의 새로운 응용 분야에 관한 러시아-인도 양자 과학 워크숍: 워크숍 Proc. /에드. A. Maysuradze 작성 – 모스크바, MAKS Press, 2011. – 224p. ISBN 978-5-317-03937-0
D.P.Vetrov, D.A.Kropotov, A.A.Osokin 및 D.A.Laptev, 레이블 빈도 제약 조건이 있는 변형 분할 알고리즘 // 패턴 인식. 및 이미지 분석, vol. 20, 아니. 3, 페이지. 324-334, 2010.
D.P.Vetrov, D.A.Kropotov, A.A.Osokin, A.Lebedev, V.Galatenko 및 K.Anokhin, 실험용 마우스 뇌 조각에 대한 해부학적 분할 및 유전자 발현 추정의 대화형 방법 // Proc. 7기 인턴. 회의 생물통계학 및 생물정보학을 위한 전산지능 방법론, 이탈리아 팔레르모: Springer, no. 1, 페이지. 2010년 23~34일.
D.P.Vetrov 및 V.Vishnevsky, 퍼지 행동 패턴 감지 알고리즘 // Proc. 행동측정 2010년 7기 인턴. 회의 행동 연구의 방법 및 기술, 아인도벤, 네덜란드: Springer, no. 1, 페이지. 41-45, 2010.
S.I.Gurov, 사전 분포 및 일관성 간격 추정을 지정하는 새로운 원칙 // 과학 컴퓨팅. 진행 인턴의. 유진 롤러 Ph.D. 학교. 아일랜드 워터퍼드: WIT 언론, pp. 2010년 8~20일.
S.I.Gurov, 0-이벤트 확률 추정 // 과학 컴퓨팅. 진행 인턴의. 유진 롤러 Ph.D. 학교. 아일랜드 워터퍼드: WIT 언론, pp. 198-209, 2010.
A.I.Maysuradze, 주어진 순위의 유한 메트릭 공간의 도메인 지향 기반 // 과학 컴퓨팅. 진행 인턴의. 유진 롤러 Ph.D. 학교. 아일랜드 워터퍼드: WIT 언론, pp. 210-221, 2010.
D.P.Vetrov, D.A.Kropotov 및 A.A.Osokin, Allen Brain Atlas에 적용되는 일련의 2D 슬라이스에서 3D 마우스 뇌 모델 재구성 // 생물정보학 및 생물통계학을 위한 전산 지능 방법. 독일 베를린 컴퓨터 과학 강의 노트: Springer, no. 6160, 페이지. 291-303, 2010.
E.V.Djukova, Yu.I.Zhuravlev 및 R.M.Sotnezov, 기본 분류자를 기반으로 한 논리 교정기 앙상블 구축 // 패턴 인식. 및 이미지 분석, vol. 21, 아니. 4, 페이지. 599-605, 2011.
D.P.Vetrov 및 B.K.Yangel, 단순화된 골격을 기반으로 사전 모양을 사용한 이미지 분할 // Proc. 인턴의. 에너지 최소화 방법에 관한 워크숍. 독일 베를린: Springer, pp. 148-161, 2011.

Novikov Alexander, Rodomanov Anton, Osokin Anton 및 Vetrov Dmitry. 텐서 트레인에 mrfs를 추가합니다. 기계 학습 연구 저널, 32(1):811–819, 2014.
A. Osokin 및 D. Vetrov. 마르코프 무작위 필드의 추론을 위한 하위 모듈 완화. 패턴 분석 및 기계 지능에 관한 IEEE 거래, 99, 2014.
Bartunov Sergey와 Vetrov Dmitry. 순차적 거리 의존 중국 레스토랑 프로세스에 대한 변형 추론. 기계 학습 연구 저널, 32(1):1404–1412, 2014.
L. 메스테츠키. 베지어 곡선으로 선형 세그먼트 보로노이 다이어그램을 표현합니다. 제24차 국제학술대회 논문집입니다. GRAPHICON-2014, 83~87페이지. 건축 예술 아카데미 SFU 로스토프나도누, 2014.
S.V. 아블라메이코, A.S. 비류코프, A.A. 도쿠킨, A.G. D'yakonov, Yu I. Zhuravlev, V.V. 크라스노프로신, V.A. Obraztsov, M.Yu Romanov 및 V.V. Ryazanov. 선례 기반 인식 문제의 대수적, 논리적 수정을 위한 실제 알고리즘입니다. 전산수학과 수리물리학, 54(12):1915-1928, 2014.
Tsoumakas Grigorios, Papadopoulos Apostolos, Qian Weining, Vologiannidis Stavros, D"yakonov Alexander, Puurula Antti, Read Jesse, Svec Jan 및 Semenov Stanislav. Wise 2014 챌린지: 주제에 대한 인쇄 매체 기사의 다중 레이블 분류. 컴퓨터 과학 강의 노트 , 8787:541–548, 2014.
Vorontsov K. V. 텍스트 컬렉션의 주제 모델에 대한 추가 정규화 // Doklady Mathematics. 2014, 플레이아데스 출판사 - Vol. 89, 아니. 3, 페이지. 301~304.
Vorontsov K. V., Potapenko A. A. 확률적 주제 모델링에 대한 튜토리얼: 확률적 행렬 분해를 위한 추가 정규화 // AIST'2014, 이미지, 소셜 네트워크 및 텍스트 분석. Springer International Publishing Switzerland, 2014. 컴퓨터 및 정보 과학(CCIS) 커뮤니케이션. Vol. 436. pp. 29-46.
Uspenskiy V. M., Vorontsov K. V., Tselykh V. R., Bunakov V. A. 심장의 정보 기능: 다질환 진단 시스템을 위한 ECG 신호의 이산 및 퍼지 인코딩 // 계측 및 테스트의 수학적 및 전산 도구 발전 X (vol.10), 응용과학을 위한 수학의 발전에 관한 시리즈, vol. 86, 월드 사이언티픽, 싱가포르(2015) pp 375-382.
Vorontsov K. V., Potapenko A. A. 주제 모델의 추가 정규화 // 기계 학습 저널. 특별호 “애플리케이션을 통한 데이터 분석 및 지능적 최적화”(출간 예정)

구로프 S.I. 새로운 정보 모델을 기반으로 한 분류 알고리즘의 신뢰성 추정 // Comput. 수학과 수학. 물리. 2013. 53. N 5. P. 640-656.
Nekrasov K.V., Laptev D.A., Vetrov D.P. 현미경 이미지를 이용한 세포 분열 속도 자동 측정 // Pattern Recogni. 및 이미지 항문. 2013. 23. N 1. P. 105-110.
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. 음향 자극 중 동물 뇌의 유전자 활동 변화에 대한 통계적 매개 변수 매핑 // 실험 생물학 및 의학 게시판. 2013. 154. N 5. P. 697-699.
Voronin P.A., Vetrov D.P., Ismailov K. 복합 등록을 통한 마우스 뇌 이미지 분할에 대한 접근 방식 // Pattern Recogni. 및 이미지 항문. 2013. 23. N 2. P. 335-339.
Zhuravlev Y.I., Laptin Y., Vinogradov A., Likhovid A. 두 클래스의 인식 문제에 대한 몇 가지 접근 방식 비교 // 정보 모델 및 분석. 2013. 2. N 2. P. 103-111.
Chernyshov V.A., Mestetskiy L.M. 손바닥 기반 인식을 위한 모바일 머신 비전 시스템 // Proc. 11기 인턴. 회의 패턴 인식. 및 이미지 분석: 새로운 정보 기술. N 1. 사마라: ISOI RAS, 2013. P. 398-401.
Djukova E.V., Lyubimtseva M.M., Prokofjev P.A. 인식 문제의 논리적 교정자 // Proc. 11기 인턴. 회의 패턴 인식. 및 이미지 분석: 새로운 정보 기술. N 1. 사마라: ISOI RAS, 2013. P. 82-83.
디쉬칸트 N.F. 3D 스캐너로 획득한 포인트 클라우드 비교 // 컴퓨터 이미지용 이산 기하학. 17번째 인턴. 회의 컴퓨터 과학 강의 노트. N 7749. 독일 베를린: Springer, 2013. P. 47-58.
Gurov S.I., Prokasheva O.V., Onishchenko A.A. 형식적 개념 분석을 기반으로 한 분류 방법 // 제35회 유럽 FCAIR 2013 - 형식적 개념 분석이 정보 검색을 충족합니다. N 1. M.: 국립 연구 대학 고등 경제 학교 출판사, 2013. P. 95-104.
Mestetskiy L.M., Zimovnov A.V. 실루엣을 이용한 곡선-골격 추출" 내측 축 // GraphicCon"2013. 제23차 컴퓨터 그래픽 및 비전 국제학술대회. 회의 진행. 블라디보스토크: Dalnauka, 2013. P. 91-94.
Osokin A., Kohli P., Jegelka S. 이미지 분할을 위한 원칙적인 심층 랜덤 필드 모델 // 2013 IEEE Conf. 컴퓨터 비전 및 패턴 인식에 관한 것입니다. 뉴욕, 미국: IEEE Computer Society Press, 2013. P. 1971-1978.
Zhuravlev Y.I., Gurevich I., Trusova Yu., Vashina V. 이미지 분석에 대한 설명적 접근 방식의 문제 및 작업에 대한 도전 // Proc. 11기 인턴. 회의 패턴 인식. 및 이미지 분석: 새로운 정보 기술. N 1. 사마라: ISOI RAS, 2013. P. 30-35.
Dyakonov A.G. 데이터 분석 알고리즘의 응답 변형 // 스펙트럼 및 진화 문제. 23. 우크라이나 심페로폴: Taurida National V. Vernadsky University, 2013. pp. 74-78.

Bondarenko N.N., Zhuravlev Yu.I. 논리적 인식 방법을 위한 접속사 선택 알고리즘 // 계산. 수학. 그리고 수학. 물리. 2012. 52. N 4. P. 746-749.
D"yakonov A.G. 쌍별 L1 거리 행렬의 특이성에 대한 기준 및 일반화 // Izvestiya. Mathematics. 2012. 76. N 3. P. 517-534.
Onishchenko A.A., Gurov S.I. 형식적 개념 분석 및 바이클러스터링을 기반으로 한 분류: 접근 방식의 가능성 // 전산수학과 모델링. 2012. 23. N 3. P. 329-336.
보로닌 P.A., Adinetz A.V., Vetrov D.P. 거리 필드 기반 모양 매칭을 위한 새로운 측정법 // GraphicCon"2012. 컴퓨터 그래픽 및 비전에 관한 제22회 국제 회의. 회의 진행. M.: MAKS Press, 2012. P. 101-106.
D"yakonov A.G. 주제 분류를 위한 간단한 알고리즘의 혼합 // 컴퓨팅의 대략적인 집합 및 현재 추세. 컴퓨터 과학 강의 노트. N 7413. 베를린, 독일: Springer, 2012. P. 432-438.
Osokin A.A., Vetrov D.P. 고차 잠재력을 지닌 MRF를 위한 서브모듈 완화 // 컴퓨터 비전 - ECCV 2012. 워크샵 및 시연. 컴퓨터 과학 강의 노트. N 7585. 독일 베를린: Springer, 2012. P. 305-314.
보로닌 P.A., Vetrov D.P. 모양 기반 등록을 위한 강력한 거리 필드 // 정보 처리의 지능화: 제9회 국제 컨퍼런스. M .: 토러스 프레스, 2012. P. 382-385.
Yangel B.K., Vetrov D.P. 그래프 기반의 도형을 통한 전역 최적 분할 // 정보처리의 지능화: 제9회 국제학술대회. M .: 토러스 프레스, 2012. P. 456-459.

회장 - 러시아 과학 아카데미 Evgeniy Ivanovich Moiseev 학자
학장 대행 - 러시아 과학 아카데미 Sokolov Igor Anatolyevich 학자

모스크바 주립대학교 컴퓨터 수학 및 사이버네틱스 학부(VMK) 주립 대학 M.V. Lomonosov의 이름을 딴 Lomonosov는 현장 인력 교육을 위한 러시아 최고의 교육 센터입니다. 기본 연구응용 수학, 계산 수학, 컴퓨터 과학 및 프로그래밍 분야.

본 학부는 1970년에 설립되었습니다. 창조 사실, 구조 및 주요 방향의 개발 과학 활동컴퓨터 과학 학부는 러시아 최대 과학자 중 한 명인 학자 Andrei Nikolaevich Tikhonov에게 전적으로 빚을지고 있습니다. A.N. 컴퓨터 과학 학부 창설에 대한 Tikhonov는 Academician M.V.의 지원을 받았습니다. Keldysh - 당시 소련 과학 아카데미 회장이었습니다. A.N. 창립 첫 20년 동안 컴퓨터 과학 학부의 학장이었던 Tikhonov는 교수진의 첫 번째 직원인 학자 L.S. 소련 과학 아카데미 L.N. 볼셰프와 S.V. Yablonsky와 I.S. Berezin과 Yu.B. Germeyer.

지난 몇 년 동안 교수진은 잘못된 문제 이론, 수리 물리학 및 미분 방정식의 스펙트럼 이론, 비선형 동적 시스템 및 제어 프로세스, 계산 방법 등 응용 수학과 컴퓨터 과학의 다양한 기본 영역에서 러시아 최고의 과학 학교를 구성했습니다. 수학적 모델링, 게임 이론 및 운영 연구, 최적 제어 및 시스템 분석, 수학적 사이버네틱스 및 수학적 논리, 확률 이론 및 수학적 통계, 응용 및 이론 프로그래밍, 컴퓨터 시스템 및 네트워크 아키텍처.

계산 수학 및 수학 학부에는 수리 물리학, 계산 방법, 일반 수학, 기능 분석 및 응용, 과학 연구 자동화, 컴퓨팅 기술 및 모델링, 슈퍼컴퓨터 및 양자 정보 과학, 비선형 등 19개 부서가 있습니다. 동적 시스템및 제어 프로세스, 최적 제어, 시스템 분석, 수학적 통계, 운영 연구, 수학적 예측 방법, 수학적 사이버네틱스, 시스템 프로그래밍, 알고리즘 언어, 컴퓨터 시스템 자동화, 정보 보안, 영어.

부서장 중에는 학자 Yu.I가 있습니다. Zhuravlev, A.B. 쿠르잔스키, E.I. Moiseev, Yu.S. 오시포프, I.A. 소콜로프, E.E. 티르티시니코프, B.N. Chetvertushkin, 해당 멤버 V.V. Voevodin, A.I. 아베티시안, R.L. Smelyansky.

교수진에서의 교육은 다음과 같은 기본 사항에 따라 수행됩니다. 교육 프로그램학사 및 석사 교육: 010300 "기본 컴퓨터 과학 및 정보 기술", 010400 "응용 수학과 컴퓨터 과학".

학사 훈련 프로그램에서 모스크바 주립 대학의 계산 수학 및 수학 학부에서 공부하는 학생들을 위한 커리큘럼은 기본적인 수학 훈련을 제공합니다. 학생들은 수학적 분석, 복소 변수의 함수 이론, 함수 분석, 선형 대수, 분석 기하학, 상미분 방정식, 수리 물리학 방정식, 확률 이론, 수리 통계, 수리 논리, 이산 수학, 수치 방법, 운영 연구, 게임을 공부합니다. 이론, 최적의 제어, 극단적인 문제.

교수진 학생들은 알고리즘 및 알고리즘 언어, 컴퓨터 아키텍처 및 어셈블리 언어, 운영 체제, 응용 소프트웨어, 컴퓨터 그래픽, 병렬 컴퓨팅, 데이터베이스, 운영 체제, 인공 지능, 객체 지향 등 컴퓨터 과학 및 프로그래밍과 관련된 다양한 과정을 배웁니다. 프로그래밍, 컴퓨터 네트워크, 네트워크 기술, 프로그래밍 시스템, 모델을 사용한 프로그램 검증, 객체 지향 분석 및 설계, 프로그램 사양의 형식적 방법.

준비에 중요한 장소가 점유되어 있습니다. 실무고성능 컴퓨팅 시스템 작업을 포함한 컴퓨터 관련 작업. 공부하는 동안 학생들은 여러 운영 체제에서 작업하는 방법을 배우고 최소 세 가지 프로그래밍 언어를 배웁니다. 모든 학생이 공부한다 영어그리고 인문학의 순환.

처음 두 과정에서는 일반적인 교육이 진행됩니다. 과정그리고 프로그램. 주요 초점은 일반적인 수학 교육과 이론 및 응용 프로그래밍에 있습니다. 최근 슈퍼컴퓨터의 활용, 모델링에서의 슈퍼컴퓨터 기술, 병렬 컴퓨팅에 대한 관심이 높아지고 있다. 3학년부터 학생들은 자신이 원하는 학과에서 전문화 과정을 밟게 됩니다. 각 학생은 특별 세미나에서 활동하며 자신의 지도교수가 있습니다.

학사학과 졸업생은 해당 학부의 석사 수준에서 학업을 계속할 수 있습니다. 석사과정 기간은 2년이다. 석사 프로그램 입학은 경쟁을 통해 이루어집니다. 연구 활동에 대한 관심을 보인 본 학부의 석사 프로그램 졸업생은 본 학부의 대학원 수준에서 학업을 계속할 수 있습니다. 풀타임 대학원 학습 기간은 4년입니다.

"응용 수학 및 컴퓨터 과학" 방향의 석사 교육은 "계산 기술 및 모델링", "미분 연산자의 스펙트럼 이론 및 분산 시스템 제어", "라는 프로그램에서 수행됩니다. 수치적 방법및 수학적 모델링", "수리 물리학, 역문제 및 이미지 처리의 컴퓨터 방법", " 현대적인 방법수학적 모델링”, “운영 연구 및 보험 통계 수학”, “이산 구조 및 알고리즘”, “이산 제어 시스템 및 응용”, “통계 분석 및 위험 예측”, “컴퓨터 시스템의 정보 보안”, “비선형 동적 시스템 이론 : 분석, 합성 및 제어", "수학적 모델링 방법 및 최적화 방법 관리되는 프로세스"", "데이터 분석의 논리적 및 조합적 방법", "시스템 분석, 역학 및 제어의 수학적 방법", "지능형 시스템", "빅 데이터의 지적 분석", "컴파일러 기술", "프로그래밍 기술", "슈퍼컴퓨터 시스템 및 응용 프로그램", "분산 시스템 및 컴퓨터 네트워크", "양자 정보 과학", "컴퓨터 네트워크 소프트웨어", "수학 및 정보 보안 소프트웨어", "이미지 처리의 수학적 및 컴퓨터 방법", "병렬 프로그래밍 기술 및 고급 성능 컴퓨팅”, “빅 데이터: 문제 해결을 위한 인프라 및 방법.” "기본 정보학 및 정보 기술" 방향의 석사 교육은 "개방형 정보 시스템", "기업 관리 정보 시스템" 프로그램에 따라 수행됩니다.

교수진에서 공부하는 것은 과학과의 긴밀한 연결 없이는 상상할 수 없습니다. 학생들은 반드시 교수진, 학술 기관 또는 과학 실험실에서 수행되는 과학 연구에 참여해야 합니다. 교수진은 수학 물리학, 전산 전기 역학, 열 및 물질 전달 과정 모델링, 역 문제, 이미지 처리의 수학적 방법, 물리학의 수학적 모델링, 차이 방법, 개방형 정보 기술, 통계 분석, 컴퓨터 보안의 수학적 문제 등 연구 실험실을 만들었습니다. , 컴퓨팅 워크샵 및 정보 시스템, 컴퓨팅 시스템, 교육 정보 시스템 및 과학적 연구, 컴퓨터 그래픽 및 멀티미디어, 프로그래밍 기술, 전자 컴퓨터, 수학적 모델링 도구, 산업 수학 및 학생 연구실 Intel 및 Microsoft 기술 연구소.

교수진은 컴퓨터 기술을 잘 갖추고 있습니다. 최신 멀티미디어 기술을 갖춘 여러 컴퓨터 수업이 있으며, 소프트웨어 Intel 프로세서를 기반으로 하며 UNIX 제품군의 운영 체제를 실행하는 여러 클래스의 워크스테이션입니다. 모든 수업은 인터넷 접속이 가능한 광섬유 통신을 기반으로 로컬 네트워크에 연결됩니다. 교수진에는 고성능 클러스터인 HP Apollo-9000과 멀티프로세서 슈퍼컴퓨터 IBM eServer pSeries 690 Regatta를 포함한 여러 그래픽 스테이션이 있습니다. 2008년에 교수진은 약 30테라플롭스(초당 수조 개의 부동 소수점 연산) 용량을 갖춘 IBM Blue Gene/P 슈퍼컴퓨터를 설치했습니다. Lomonosov 슈퍼컴퓨터는 2009년부터 운영되었습니다.

교수진은 Intel, Microsoft, Microsoft Research, IBM, Hewlett-Packard, Sun, Cisco, SAP, Samsung과 같은 대규모 IT 기업과 긴밀한 협력 관계를 유지하고 있습니다. 많은 러시아 회사: Luxoft, RedLab, IT, Garant, Consultant-Plus, DVM, Kaspersky Lab, Mail.Ru Group 및 기타. 교수진은 CISCO 지역 아카데미를 운영합니다. 러시아 과학 아카데미 연구소와 함께 슈퍼컴퓨터 모델링을 위한 교육 및 과학 센터가 교수진에 설립되었습니다.

학부 졸업생의 취업에는 문제가 없습니다. 교수진 졸업생은 자신이 사용하는 모든 분야에서 일합니다. 컴퓨터 공학: 학술 및 연구 기관, 고등 교육 기관, 국가 및 정부 기관, 은행, 보험, 금융, 컨설팅 회사, 러시아 및 외국 기업 등. 졸업생 중 약 1/3이 대학원에서 학업을 계속합니다.

본 학부는 다수의 해외 대학과 협력 및 학생 교류에 관한 협정을 맺고 있습니다. 교사와 연구원의 지도 하에 심층적인 이론 교육과 적극적인 실무 및 연구 작업이 결합되어 학과 졸업생이 노동 시장에서 경쟁력을 갖게 됩니다.

학과에 대한 이상한 설명... 이는 "수학적 결과에서 경쟁이 있는 몇 안 되는 곳 중 하나"를 의미합니다. - 아직도 이해가 안 돼요

SA에 대해 시도해 봅시다 ...
학과 홈페이지 http://sa.cs.msu.su/

이 학과는 교수진에서 가장 완벽하고 수준 높은 수학 교육을 제공한다는 점에서 다른 학과보다 눈에 띕니다.

커리큘럼의 핵심은 최적제어 강좌입니다. 연산 증폭기의 본질은 객체 A를 세트 B로 최적으로 이동하고 제어하는 것입니다. 모든 추상성에도 불구하고 이 작업은 완전히 다른 영역에서 폭넓게 적용됩니다. 따라서 객체 A는 로켓, 공장의 기관총, 경제의 일부인 공장 자체, 심지어 증권 포트폴리오일 수도 있습니다.

일반적인 경우에 이 문제를 해결하려면 많은 수학을 알아야 한다는 것이 분명합니다. 이 모든 것은 학과 과정의 일부로 제공됩니다... 기능 및 볼록 분석(CA는 OM이 수강하는 데 도움이 되는 유일한 부서입니다) funcan의 테스트), 식별 이론, 즉 안정성, 즉 동적 시스템 + ODE 및 PDE의 일부 클래스 + 칼만 필터 및 시계열에 대한 기본 사항. 이론에는 학생들이 엔지니어와 양자 금융가를 위한 최고의 수학 패키지인 Matlab에서 완료하는 광범위한 실제 작업이 수반됩니다. 학생들은 또한 이 전체 이론이 수리 생물학, 경제학, 금융 수학에 어떻게 적용되는지를 듣습니다.

폭넓은 적용 범위에도 불구하고 자료의 깊이는 소련 시대 최고의 전통에 부합합니다... 또한 이 학과는 학생들의 지식을 테스트하는 데 책임 있는 접근 방식을 취합니다. 이는 다른 학과의 일반적으로 악랄한 태도와 비교하면 유리합니다... 학생은 자료를 배울 때까지 무한정 시험에 응시할 수 있습니다. 내 개인 기록은 6번 시도했습니다(모든 정의, 정리 증명, 문제 해결 방법을 배운 후 20분 만에 시험을 치렀습니다). 결과적으로 CA 학생들은 강사의 태만으로 인해 역겨운 수준으로 가르치는 연속 과정을 통과 할 때 사소한 문제를 경험하지 않습니다.

이 부서는 훌륭한 전문가를 고용합니다.
Kurzhansky는 초대형 두뇌를 지닌 창립자이며 러시아를 거의 방문하지 않지만 지속적으로 연락하고 매우 까다로우며 엄격하지만 공정합니다.
브라투스(Bratus)는 수리생물학 분야의 국내 최고의 전문가 중 한 명으로, 매우 어려운 운명을 안고 있는 매우 유쾌한 사람입니다.
Shananin은 수리경제학 분야의 국내 최고의 전문가 중 한 명입니다.
Arutyunov - 순수 수학, 볼록 분석, 학생들에게 많은 시간을 할애
Lotov - 다중 기준 최적화, 러시아 과학 아카데미 연구소에 있음 - 나는 그와 많이 의사 소통하지 않았습니다.
Smirnov는 금융 수학자이고 SN은 많은 응용 프로젝트를 수행하며 그의 과학적 관심 분야는 무작위 프로세스이며 훌륭한 사람이지만 학생들을 위한 시간이 거의 없습니다.
그리고 몇몇 젊은이 Daryin, Tochilin, Rublev도 있습니다.
불행히도 그들 중 많은 사람들이 다른 곳에서 파트타임으로 일해야 합니다. 교수들의 월급은 턱없이 부족합니다... 결과적으로 시간은 제한되어 있지만 학생이 정말로 과학 작업에 대해 토론하고 싶다면 항상 시간을 찾을 것입니다.

매년 본 학과에서는 재능 있는 학생들을 모집하고 있습니다. 공부의 어려움으로 인해 팀이 하나로 합쳐졌습니다. 저는 비록 반대편에 살고 있지만 여전히 많은 반 친구들과 연락을 유지하고 있습니다. 지구. 놀랍게도 우등 졸업생 비율로 볼 때, 본 학과는 교수진 내에서 꾸준히 상위권을 차지하고 있습니다. 논문의 질도 다른 학과에 비해 좋은 편인데, 대부분의 사람들이 4학년부터 일하고 있고, 졸업장도 진지한 학과가 아닌 탈퇴 학과와 비슷합니다. 과학적 연구. 부서에는 정규직 근무가 필요하며 3~4년차에 업무와 결합하는 사람은 거의 없습니다... 결합해야 했습니다. 이로 인해 안타깝게도 부서에서 제가 할 수 있는 것보다 훨씬 적은 지식을 얻었습니다. 가지다.

졸업생은 무엇을 하며 그만한 가치가 있습니까? 다른 학과 학생들과 마찬가지로 SA 학생들도 주로 IT와 금융 분야에서 일하고 있습니다. 우리나라에서는 유능한 응용 수학자에 대한 수요가 적습니다. 해외에서 계속 공부할 수 있는 기회가 있습니다(박사).

때때로 나는 시간을 거슬러 올라가면 어느 부서를 선택할 것인지 스스로에게 묻습니다. 그리고 나는 다시 SA를 선택할 것이라고 대답합니다.

추신: 언어 실수로 인해 죄송합니다. 저는 러시아어로 글을 자주 쓰지 않습니다.