Scurtă descriere a catedrelor Facultății CMC. Facultatea de Matematică Computațională și Cibernetică, Universitatea de Stat din Moscova Departamentul de Metode Matematice de Prognoză

Şeful departamentului: Zhuravlev Yury, Academician al RAS, Profesor, Dr.Sc.

Informații de contact Alte informații de contact

119991, Moscova, GSP-1, Leninskiye Gory, MSU, 2nd Educational Building, CMC Faculty, camerele 530, 532, 573, 680 (Șef de departament)

Departamentul formează specialiști în învățarea automată, data mining, algoritmi de procesare a imaginilor și aplicațiile acestora în științe naturale, economie, finanțe etc. Specializarea Departamentului include metode matematice de diagnosticare a sistemelor complexe (inclusiv cele tehnice și economice), analiza acestor sisteme, construirea de soluții optime sau aproape optime care se bazează pe o informație indirectă, incompletă sau contradictorie.

În timpul pregătirii, studenții primesc o educație fundamentală în diferite domenii ale matematicii, cum ar fi algebra modernă și logica matematică, teoria algoritmilor, matematica discretă și combinatorie, modelele matematice ale inteligenței artificiale, inclusiv metodele matematice de recunoaștere a modelelor, învățarea automată, procesarea imaginilor, teoria probabilității, statistică aplicată, modele grafice.

Prin participarea la sesiunile practice, studenții dobândesc abilitățile de a lucra cu baze de date și software moderne, învață limbaje și tehnici moderne de programare, câștigă experiență în rezolvarea problemelor aplicate. Studenții au, de asemenea, practică în instituțiile de cercetare ale Academiei Ruse de Științe, companii inovatoare, organizații financiare etc. Până pe vremea maeștrilor lor, mulți dintre ei au deja lucrări în reviste științifice și lucrări de conferințe de top.

Departamentul pregătește profesioniști în dezvoltarea și aplicarea metodelor matematice pentru rezolvarea diferitelor probleme de prelucrare a datelor, cum ar fi sistemele de scoring, detectarea fraudelor, predicția retailului, bioinformatica, procesarea limbajului natural, viziunea computerizată, sistemele expert etc.

Membrii personalului:

Rudakov Konstantin, Membru corespondent al RAS, Profesor, Dr.Sc.
Mestetsky Leonid, Membru corespondent al RAS, Profesor, Dr.Sc.
Dyakonov Alexander, Profesor, Dr.Sc.
Leontyev Vladimir, Profesor, Dr.Sc.
Vorontsov Konstantin, Conf. univ., Dr.Sc.
Gurevici Igor, conf. univ. dr
Gurov Sergey, profesor asociat, dr
Dyukova Elena, Conf. univ., Dr.Sc.
Maisuradze Archil, conf. univ. dr
Ryazanov Vladimir, Conf. univ., Dr.Sc.
Senko Oleg, Conferentiar, Dr.Sc.
Vetrov Dmitry, conf. univ. dr
Kropotov Dmitri, cercetător, secretar științific al departamentului

Cursuri regulate:

Metode algebrice în învățarea automată de Prof. Zhuravlev, 16 ore de curs și 16 ore de seminar.
Algebră aplicată de Prof. Dyakonov, prof. Leontiev, conf. univ. Prof. Gurov, 48 de ore de curs și 48 de ore de seminar.
Machine learning de către conf. univ. Prof. Voronstov, 32 de ore de curs.
Metode bayesiene în învățarea automată de către conf. univ. Prof. Vetrov, 16 ore de curs și 16 ore de seminar.
Modele grafice conf. univ. Prof. Vetrov, 16 ore de curs și 16 ore de seminar.
Metode matematice de clasificare de către prof. Rudakov, 32 de ore de curs.
Atelier de informatică de la Conf.univ. Prof. Maisuradze, 48 de ore de curs.
Prelucrarea și analiza imaginilor de către Prof. Mestetsky, 16 ore de curs.
Algoritmi, modele, algebre de Prof. Dyakonov, 16 ore de curs.
Statistici aplicate de Conf. univ. Prof. Voronstov, 16 ore de curs și 16 ore de seminar.
Procesarea semnalului de către Ass. Prof. Krasotkina, 16 ore de curs.

Cursuri speciale:

Metode bayesiene de învățare automată de Dr. Vetrov, 16 ore de curs.
Probleme computaționale de bioinformatică de către Conf. univ. Prof. Makhortyh și conf. univ. Prof. Pankratov, 16 ore de curs.
Image Mining de către Conf. univ. Prof. Gurevici, 16 ore de curs.
Calcul propozițional al logicii clasice de către conf. univ. Prof. Gurov, 32 de ore de curs.
Fundamentele combinatorii ale teoriei informației de către Conf. univ. Prof. Voronstov, 16 ore de curs.
Metode logice în recunoașterea modelelor de către Conf. univ. Prof. Dyukova, 16 ore de curs.
Metode matematice de biometrie de Prof. Rudakov, 16 ore de curs.
Metode metrice de data mining de către conf. univ. Prof. Maisuradze, 16 ore de curs.
Modele și algoritmi morfologici continui de Prof. Mestetsky, 16 ore de curs.
Metode nestatistice de extragere și clasificare a datelor de către Conf. univ. Prof. Ryazanov, 32 de ore de curs.
Metodă spectro-analitică generalizată, 16 ore de curs.

Seminarii științifice speciale și direcții de cercetare:

Abordare algebrică a exploatării datelor, învățării automate și recunoașterii modelelor

(Academician al RAS Yu. I. Zhuravlyov, membru corespondent al RAS K.V. Rudakov, Dr. S. V. V. Ryazanov, Dr. S. A. G. Dyakonov).

În cadrul unei abordări algebrice, noi algoritmi sunt construiți ca formule peste algoritmii inițiali (învățători slabi) sau ca funcții booleene (corectori logici). Rezultatul principal este că fiecare algoritm poate fi prezentat ca o suprapunere a unui operator de recunoaștere și a unei reguli de decizie. Permite descrierea rezultatelor algoritmului ca matrici speciale - matricele de estimare (ieșiri ale operatorilor de recunoaștere) și matrice de rezultate (ieșiri ale regulilor de decizie). Operațiile peste algoritmi sunt induse de operații peste matricele de estimare corespunzătoare. Abordarea algebrică permite să construim formule peste algoritmi, formule care sunt corecte pe setul de testare (sau au performanțe mai bune decât algoritmii inițiali).

Teoria învățării computaționale și aplicații de învățare automată

(Dr. K. Vorontsov)

Una dintre cele mai provocatoare probleme în cercetarea învățării automate este analiza performanței generale a unei mașini de învățare. Este dezvoltată o teorie combinatorie a supraajustării care oferă limite de generalizare strânse și, în unele cazuri, exacte. Aceste limite sunt aplicate pentru proiectarea algoritmilor de învățare în astfel de subdomeni de învățare automată cum ar fi învățarea ansamblului, inducerea regulilor, învățarea la distanță, selecția caracteristicilor, selecția prototipului. O altă direcție de cercetare este regăsirea informațiilor, filtrarea colaborativă și modelarea probabilistică a subiectelor cu aplicații la analiza unor colecții mari de documente științifice.

Modele continue în analiza și clasificarea formei imaginii

(Prof. L. Mestetsky)

Sunt investigate abordări și metode de reprezentare a formei obiectelor în imagini digitale prin modele continue. Ochiul uman nu vede natura discretă a imaginilor digitale. Imaginile arată ca niște imagini continue și este mai obișnuit și mai simplu să operați modele geometrice continue „solide” ale formei. Prin urmare, utilizarea modelelor continue simplifică semnificativ crearea de algoritmi pentru analiza, clasificarea și transformarea formelor imaginilor. Este folosit conceptul de figură ca model universal continuu de formă. O figură este definită ca un domeniu închis a cărui limită constă dintr-un număr finit de curbe Jordan care nu se intersectează. Sunt investigate trei metode interconectate de reprezentare a figurilor; acestea sunt descrieri de graniță, mediale și circulare. Sarcina de a construi modelul continuu pentru imaginea digitală se reduce la aproximarea acestei imagini prin figuri continue. Apoi se aplică algoritmi eficienți de geometrie computațională pentru analiza formei și clasificarea aferentă obiectelor discrete în imagini digitale.

Metode bayesiene în învățarea automată

(Dr. D. Vetrov și D. Kropotov)

Lucrarea de cercetare este axată pe investigarea abordării bayesiene în teoria probabilității și aplicarea acesteia pentru rezolvarea diferitelor probleme de învățare automată și de viziune pe computer. Metodele bayesiene au devenit o tehnică larg răspândită în ultimii 15 ani. Principalele lor avantaje includ o reglare automată a parametrilor structurali în modelele de învățare automată, o modalitate corectă de raționament în caz de incertitudine, o posibilitate de a lua în considerare interacțiunile structurale și probabilistice în matrice de date (bazate pe dezvoltarea activă a conceptului de modele grafice) și o abordare pentru reprezentarea datelor și a parametrilor modelului care permite o fuziune ușoară a observațiilor indirecte și a ideilor anterioare.

Tehnicile dezvoltate sunt utilizate intensiv pentru rezolvarea diferitelor probleme aplicate, inclusiv analiza expresiei genelor în creierul animalelor în timpul proceselor cognitive.

Miningul de date: noi provocări și metode

Seminarul aferent este destinat studenților din anii 2-5, absolvenților și oricui este interesat. Are loc în semestrul de primăvară sub formă de rapoarte ale participanților și experților invitați. Subiectele sunt diverse. Acestea includ (dar fără a se limita la) ipoteza compactității în recunoașterea modelelor; rezolvarea ecuațiilor booleene și sinteza circuitelor de control; metode matematice pentru analiza activității creierului; caracteristicile mulțimilor parțial ordonate; detectarea procesării latente pe bază de imagini a radiografiilor și fotografiilor picturilor; analiza conceptelor formale în probleme aplicate.

Probleme de grupare

(Academician al RAS Yu. Zhuravlev și Dr. V. Ryazanov)

Există mulți algoritmi de grupare bazați pe principii diferite și care conduc la diferite partiții ale unui eșantion dat. În absența modelelor statistice de date, apar probleme de evaluare și comparare a grupării. Gruparea rezultată corespunde realității obiective sau doar obține o partiție? Sunt concepute criteriile de evaluare a calității grupării și metodele de calcul ale acestora. Aceste criterii ne permit să construim ansambluri de algoritmi de clustering.

Miningul de date intelectual: noi probleme și metode

(Dr. S. Gurov și Dr. A. Maisuradze)

Exploatarea datelor în spații metrice

(Dr. A. Maisuradze)

Analiza și estimarea informațiilor conținute în imagini

(Dr. I. Gurevici)

Metode logice de recunoaștere a modelelor

(Dr. E. Dyukova)

Metode combinatorii ale teoriei informației

(Dr. V. Leontyev)

Metode de recunoaștere a modelelor orientate către probleme

(Membru corespondent al RAS Prof. K. Rudakov și Dr. Yu. Cehovici)

Lucrări recente

V.V. Ryazanov și Y.I. Tkachev, Estimarea dependențelor bazată pe corecția bayesiană a unui comitet de algoritmi de clasificare // Computat. Mathem. și Matematică. Fizica, voi. 50. nr. 9, pp. 1605-1614, 2010.
V.V. Ryazanov, Unii algoritmi de imputare pentru restaurarea datelor lipsă // Note de curs în informatică (LNCS), vol. 7042, pp. 372-379, 2011.
K. Vorontsov, Limite combinatorii exacte privind probabilitatea de supraajustare pentru minimizarea riscului empiric // Pattern Recognition and Image Analysis, voi. 20, nr. 3, pp. 269-285, PDF, 427Kb, 2010.
K. Vorontsov și A. Ivakhnenko, Tight Combinatorial Generalization Bounds for Threshold Conjunction Rules // Lecture Notes on Computer Science. A 4-a Conferință internațională privind recunoașterea modelelor și inteligența mașinilor (PReMI'11), Rusia, Moscova, 27 iunie – 1 iulie, pp. 66–73, PDF, 153Kb, 2011.
N. Spirin și K. Vorontsov, Learning to Rank with Nonlinear Monotonic Ensemble // Lecture Notes on Computer Science. Al 10-lea Atelier Internațional despre Sisteme Multiple Classidier (MCS-10). Napoli, Italia, 15–17 iunie, pp. 16–25, PDF, 490Kb, 2011.
D. Vetrov și A. Osokin, Graph Preserving Label Decomposition in Discrete MRFs with Selfish Potentials // Proceedings of International Workshop on Discrete Optiization in Machine Learning (DISML NIPS 2011), 2011.
Osokin, D. Vetrov și 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., SUA, Springer, pp. 135-142, 2011.
Yangel și D. Vetrov, Image Segmentation with a Shape Prior Based on Simplified Skeleton // Proceedings of International Workshop on Energy Minimization Methods (EMMCVPR2011), 2011.
Dyakonov, doi algoritmi de recomandare bazați pe combinații liniare deformate // Proc. de ECML-PKDD, 2011, Discovery Challenge Workshop, pp. 21-28, 2011.
Dyakonov, Teoria sistemelor de echivalență pentru descrierea închiderilor algebrice ale unui model de estimare generalizată. II // Matematică computaţională şi fizică matematică, vol. 51, nr. 3, pp. 490-504, 2011.
N. Dyshkant, L. Mestetskiy, B.H. Shekar și Sharmila Kumari, Recunoașterea feței folosind analiza componentelor nucleului // Neurocomputing, voi. 74, nr. 6, pp. 1053-1057, 2011.
B.H. Shekar, Sharmila Kumari, N. Dyshkant și L. Mestetskiy, FLD-SIFT: Transformare caracteristică invariantă la scară bazată pe clasă pentru clasificarea precisă a fețelor // Com. în Computer and Information Science, 1, Computer Networks and Information Technologies, vol. 142, partea 1, pp. 15-21, 2011.
Kurakin și L. Mestetskiy, Hand gesture recognition through on-line skeletonization - application of continuous skeleton to real-time shape analysis // Proceedings of the International Conference on computer vision theory and applications (VISAPP 2011), Vilamoura, Portugalia, 2011, martie 5-7, pp. 555-560, 2011.
Bakina, A. Kurakin și L. Mestetskiy, Hand geometry analysis by continuous skeletons // Note de curs în informatică, Analiza și recunoașterea imaginilor, Springer, voi. 6753/2011, partea 2, str. 130-139, 2011.
IG. Bakina și 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.
Atelier științific bilateral ruso-indian privind aplicațiile emergente ale vederii computerizate: Workshop Proc. / Ed. de A. Maysuradze - Moscova, MAKS Press, 2011 .-- 224 p. ISBN 978-5-317-03937-0
D.P. Vetrov, D.A. Kropotov, A.A. Osokin și D.A. Laptev, Algoritmi de segmentare variațională cu constrângeri de frecvență de etichetă // Pattern Recogn. şi Image Anal., voi. 20, nr. 3, pp. 324-334, 2010.
D.P. Vetrov, D.A. Kropotov, A.A. Osokin, A. Lebedev, V. Galatenko și K. Anokhin, O metodă interactivă de segmentare anatomică și estimare a expresiei genelor pentru o felie experimentală de creier de șoarece // Proc. al 7-lea intern. Conf. on Computational Intelligence Methods for Biostatistics and Bioinformatics, Palermo, Italia: Springer, nr. 1, pp. 23-34, 2010.
D.P. Vetrov și V. Vishnevsky, Algoritmul pentru detectarea modelelor comportamentale fuzzy // Proc. de Măsurare Comportament 2010, al 7-lea Intern. Conf. on Methods and Techniques in Behavioral Research, Eindoven, Olanda: Springer, nr. 1, pp. 41-45, 2010.
S.I. Gurov, Nou principiu pentru specificarea distribuției a priori și a estimării intervalului de consistență // Scientific Computing. Proc. a Internului. Eugene Lawler Ph.D. Şcoală. Waterford, Irlanda: WIT press, pp. 8-20, 2010.
S.I. Gurov, Probability estimation of 0-event // Scientific Computing. Proc. a Internului. Eugene Lawler Ph.D. Şcoală. Waterford, Irlanda: WIT press, pp. 198-209, 2010.
A.I. Maysuradze, Baze orientate pe domenii în spații de metrici finite de un rang dat // Calcul științific. Proc. a Internului. Eugene Lawler Ph.D. Şcoală. Waterford, Irlanda: WIT press, pp. 210-221, 2010.
D.P. Vetrov, D.A. Kropotov și A.A. Osokin, reconstrucție 3-D a modelului creierului de șoarece dintr-o secvență de felii 2-d în aplicare la atlasul creierului allen // Computational Intelligence Methods for Bioinformaticcs and Biostatistics. Note de curs în informatică, Berlin, Germania: Springer, nr. 6160, pp. 291-303, 2010.
E.V. Djukova, Yu.I.Zhuravlev și R.M. Sotnezov, Construirea unui ansamblu de corectori logici pe baza clasificatoarelor elementare // Pattern Recogn. şi Image Anal., voi. 21, nr. 4, pp. 599-605, 2011.
D.P. Vetrov și B.K. Yangel, Segmentarea imaginii cu o formă anterioară bazată pe simplifică scheletul // Proc. de Intern. Workshop privind Metodele de Minimizare a Energiei. Berlin, Germania: Springer, pp. 148-161, 2011.

Novikov Alexander, Rodomanov Anton, Osokin Anton și Vetrov Dmitri. Pune mrfs pe un tren tensor. Journal of Machine Learning Research, 32 (1): 811–819, 2014.
A. Osokin şi D. Vetrov. Relaxare submodulară pentru inferență în câmpuri aleatoare markov. IEEE Transactions on Pattern Analysis and Machine Intelligence, 99, 2014.
Bartunov Serghei și Vetrov Dmitri. Inferență variațională pentru procesul secvențial de restaurant chinezesc dependent de distanță. Journal of Machine Learning Research, 32 (1): 1404-1412, 2014.
L. Mestetskiy. Reprezentarea diagramei voronoi cu segment liniar prin curbele Bezier. În Proceedings of the 24th International Conf. GRAPHICON-2014, paginile 83–87. Academia de Arhitectură și Arte SFedU Rostov-pe-Don, 2014.
S.V. Ablameyko, A.S. Biryukov, A.A. Dokukin, A.G. D'yakonov, Yu I. Zhuravlev, V.V. Krasnoproshin, V.A. Obraztsov, M. Yu Romanov și V.V. Riazanov. Algoritmi practici pentru corecția algebrică și logică în probleme de recunoaștere bazate pe precedent. 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, Svec Jan și Semenov Stanislav. Wise 2014: Multi-label classification of print media articles to topics. Lecture Notes in Computer Science , 8787: 541-548, 2014.
Vorontsov K. V. Regularizare aditivă pentru modele tematice ale colecțiilor de text // Doklady Mathematics. 2014, Editura Pleiades, Ltd. - Vol. 89, nr. 3, pp. 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 Elveția, 2014. Communications in Computer and Information Science (CCIS). Vol. 436. str. 29–46.
Uspenskiy VM, Vorontsov KV, Tselykh VR, Bunakov VA Funcția de informare a inimii: codificarea discretă și neclară a semnalului ECG pentru sistemul de diagnosticare a bolilor multiple // în avansuri în instrumentele matematice și computaționale în metrologie și testare X (vol. 10), Seria privind progresele în matematică pentru științe aplicate, voi. 86, World Scientific, Singapore (2015) pp. 375-382.
Vorontsov K. V., Potapenko A. A. Aditive Regularization of Topic Models // Jurnal de învățare automată. Numărul special „Analiza datelor și optimizare inteligentă cu aplicații” (va apărea).

Gurov S.I. Estimarea fiabilității unui algoritm de clasificare pe baza unui nou model informațional // Comput. Matematică și Matematică. Fiz. 2013.53.N 5. Str. 640-656.
Nekrasov K.V., Laptev D.A., Vetrov D.P. Determinarea automată a ratei de diviziune celulară utilizând imagini la microscop // Pattern Recogn. și Image Anal. 2013.23.N. 1.P. 105-110.
Osokin A.A., Amelchenko E.M., Zworikina S.V., Cehov S.A., Lebedev A.E., Voronin P.A., Galatenko V.V., Vetrov D.P., Anokhin K.V. Cartografierea parametrică statistică a modificărilor activității genelor în creierul animalului în timpul stimulării acustice // Buletin de biologie și medicină experimentală. 2013.154.N 5.P.697-699.
Voronin P.A., Vetrov D.P., Ismailov K. O abordare a segmentării imaginilor creierului de șoarece prin înregistrarea intermodală // Pattern Recogn. și Image Anal. 23.2013.N 2.P.335-339.
Zhuravlev Y.I., Laptin Y., Vinogradov A., Likhovid A. O comparație a unor abordări ale problemelor de recunoaștere în îngrijirea a două clase // Modele și analize de informații. 2013. 2. N 2.P. 103-111.
Chernyshov V.A., Mestetskiy L.M. Sistem mobil de viziune artificială pentru recunoașterea palmei // Proc. al 11-a Intern. Conf. Recunoaștere model. și Image Anal .: Noi tehnologii informaționale. N 1. Samara: ISOI RAN, 2013. P. 398-401.
Djukova E.V., Lyubimtseva M.M., Prokofjev P.A. Corectori logici în probleme de recunoaștere // Proc. al 11-a Intern. Conf. Recunoaștere model. și Image Anal .: Noi tehnologii informaționale. N 1. Samara: ISOI RAN, 2013. P. 82-83.
Dyshkant N.F. Comparația norilor de puncte obținute de scanerul 3d // Geometrie discretă pentru imaginile computerizate. al 17-lea intern. Conf. Note de curs în informatică. Nr. 7749. Berlin, Germania: Springer, 2013. P. 47-58.
Gurov S.I., Prokasheva O.V., Onishchenko A.A. Metode de clasificare bazate pe analiza formală a conceptului // Cea de-a 35-a ediție europeană FCAIR 2013-Formal Concept Analysis Meets Information Retrieval. N 1. M .: Editura Școlii Superioare de Științe Economice Universitare Națională de Cercetare, 2013. P. 95-104.
Mestetskiy L.M., Zimovnov A.V. Extracția curbei-schelet folosind siluete „axe mediale // GraphiCon” 2013. A 23-a Conferință Internațională despre Grafică și Viziune pe computer. Lucrări ale conferințelor. Vladivostok: Dalnauka, 2013. P. 91-94.
Osokin A., Kohli P., Jegelka S. Un model de câmp aleator profund principial pentru segmentarea imaginii // 2013 IEEE Conf. pe computer Vision și Pattern Recogn. N.Y., SUA: IEEE Computer Society Press, 2013. P. 1971-1978.
Zhuravlev Y.I., Gurevich I., Trusova Yu., Vashina V. Provocarea problemelor și sarcinilor abordărilor descriptive ale analizei imaginilor // Proc. al 11-a Intern. Conf. Recunoaștere model. și Image Anal .: Noi tehnologii informaționale. N 1. Samara: ISOI RAN, 2013. P. 30-35.
Dyakonov A.G. Deformarea răspunsurilor algoritmilor de analiză a datelor // Probleme spectrale și de evoluție. Nr. 23. Simferopol, Ucraina: Universitatea Națională Taurida V. Vernadsky, 2013. P. 74-78.

Bondarenko N.N., Zhuravlev Yu.I. Algoritm pentru alegerea conjuncțiilor pentru metodele de recunoaștere logică // Calcul. Matematică. și Matematică. Fiz. 2012. 52. Nr 4. P. 746-749.
D "yakonov A.G. Criterii pentru singularitatea unei matrice de distanță L1 pe perechi și generalizările lor // Izvestiya. Matematică. 2012.76. N 3.P. 517-534.
Onishchenko A.A., Gurov S.I. Clasificare bazată pe analiza conceptului formal și biclustering: posibilități ale abordării // Matematică computațională și modelare. 2012.23.N 3. P. 329-336.
Voronin P.A., Adinetz A.V., Vetrov D.P. A new measure for distance-field based shape matching // GraphiCon "2012. 22nd International Conference on Computer Graphics and Vision. Conference Proceedings. M .: MAKS Press, 2012. P. 101-106.
D "yakonov A.G. A blending of simple algorithms for topical classification // Rough Sets and Current Trends in Computing. Lecture Notes in Computer Science. N 7413. Berlin, Germany: Springer, 2012. P. 432-438.
Osokin A.A., Vetrov D.P. Relaxare submodulară pentru MRF-uri cu potențiale de ordin înalt // Computer Vision - ECCV 2012. Ateliere și Demonstrații. Note de curs în informatică. N 7585. Berlin, Germania: Springer, 2012. P. 305-314.
Voronin P.A., Vetrov D.P. Câmpuri robuste la distanță pentru înregistrarea bazată pe formă // Intelectualizarea procesării informațiilor: a 9-a conferință internațională. M .: Torus Press, 2012. P. 382-385.
Yangel B.K., Vetrov D.P. Segmentarea optimă la nivel global cu o formă bazată pe grafic înainte de // Intelectualizarea procesării informațiilor: a 9-a conferință internațională. M .: Torus Press, 2012. P. 456-459.

Președinte - academician al Academiei Ruse de Științe Evgeny Ivanovich Moiseev
Decan interimar - Academician al Academiei Ruse de Științe Igor Anatolyevich Sokolov

Facultatea de Matematică Computațională și Cibernetică (CMC) Moscova universitate de stat numit după MV Lomonosov este cel mai important centru educațional din Rusia pentru formarea personalului în domeniul cercetării fundamentale în matematică aplicată, matematică computațională, informatică și programare.

Facultatea a fost fondată în 1970. Însuși faptul creării sale, dezvoltarea structurii și direcțiilor principale activitati stiintifice Facultatea CMC este în întregime îndatorată unuia dintre cei mai mari oameni de știință din Rusia - academicianul Andrei Nikolaevich Tikhonov. Eforturile lui A.N. Tikhonov cu privire la crearea facultății CMC a primit sprijinul academicianului M.V. Keldysh - la acea vreme președintele Academiei de Științe a URSS. Pe langa A.N. Tikhonov, care a fost decanul facultății CMC în primii 20 de ani de existență, primii membri ai facultății au jucat un rol important: academicianul L.S. Pontryagin, membri corespondenți ai Academiei de Științe a URSS L.N. Bolşev şi S.V. Yablonsky și profesorii I.S. Berezin și Yu.B. Germeier.

În ultimii ani, facultatea a format școlile științifice de top din Rusia în diferite domenii fundamentale ale matematicii aplicate și informaticii: în teoria problemelor prost puse, în fizica matematică și teoria spectrală a ecuațiilor diferențiale, în sistemele dinamice neliniare și procese de control, în metode de calcul și modelare matematică, în teoria jocurilor și cercetarea operațiunilor, în controlul optim și analiza sistemelor, în cibernetica matematică și logica matematică, în teoria probabilităților și statistica matematică, în programarea aplicată și teoretică, în arhitectura sistemelor de calcul și rețele.

Facultatea CMC include 19 departamente: Fizică matematică, Metode computaționale, Matematică generală, Analiză funcțională și aplicațiile sale, Automatizare de cercetare științifică, Tehnologii computaționale și modelare, Supercalculatoare și Informatică cuantică, Sisteme dinamice neliniare și procese de control, Control optim, Analiză de sistem, matematică statistică, cercetare operațională, metode matematice de prognoză, cibernetică matematică, programare de sisteme, limbaje algoritmice, automatizare sisteme informatice, securitate informațională, engleză.

Printre șefii de catedre se numără și academicienii Yu.I. Zhuravlev, A.B. Kurzhansky, E.I. Moiseev, Yu.S. Osipov, I.A. Sokolov, E.E. Tyrtyshnikov, B.N. Chetvertushkin, membru corespondent V.V. Voevodin, A.I. Avetisyan, R.L. Smeliansky.

Pregătirea la facultate se desfășoară conform următoarelor programe educaționale de bază pentru formarea de licență și masterat: 010300 „Informatică fundamentală și tehnologii informaționale”, 010400 „Matematică aplicată și informatică”.

Curriculum-ul pentru studenții care studiază la Facultatea de Matematică Computațională și Cibernetică a Universității de Stat din Moscova în cadrul programelor de licență prevede o pregătire matematică fundamentală. Elevii studiază analiza matematică, teoria funcțiilor unei variabile complexe, analiză funcțională, algebră liniară, geometrie analitică, ecuații diferențiale obișnuite, ecuații de fizică matematică, teoria probabilităților, statistică matematică, logica matematică, matematică discretă, metode numerice, cercetare operațională, joc teorie, control optim, probleme extreme.

Facultății sunt predate o gamă largă de cursuri legate de tehnologie de calculși programare: algoritmi și limbaje algoritmice, arhitectură computerizată și limbaj de asamblare, sisteme de operare, software de aplicație, grafică computerizată, calcul paralel, baze de date, sisteme de operare, inteligență artificială, programare orientată pe obiecte, rețele de calculatoare, tehnologii de rețea, sisteme de programare, verificarea programe pe modele, analiză și proiectare orientate pe obiecte, metode formale de specificare a programelor.

Lucrările practice pe computere, inclusiv munca pe sisteme de calcul de înaltă performanță, ocupă un loc semnificativ în formare. În timpul studiilor, studenții învață să lucreze în mai multe sisteme de operare și învață cel puțin trei limbaje de programare. Toți studenții studiază limba engleză și ciclul umanist.

În primele două cursuri, instruirea se desfășoară în general curricula si programe. Accentul principal este pe pregătirea matematică generală și pe programarea teoretică și aplicată. Recent, s-a acordat multă atenție utilizării supercalculatoarelor, tehnologiilor supercomputerelor în modelare, calculului paralel. Începând din anul III, studenții fac specializare în departamentele alese. Fiecare student lucrează într-un seminar special și are propriul supervizor.

Absolvenții secției de licență își pot continua studiile în magistratura facultății. Termenul de studii pentru o diplomă de master este de 2 ani. Admiterea în magistratură se face pe bază de concurs. Absolvenții de master al Facultății, care au manifestat o înclinație pentru munca de cercetare, își pot continua studiile în școala superioară a facultății. Durata studiului în studii postuniversitare cu normă întreagă este de 4 ani.

Pregătirea masteraturilor la direcția „Matematică aplicată și informatică” se realizează conform programelor: „Tehnologii computaționale și modelare”, „Teoria spectrală a operatorilor diferențiați și controlul sistemelor distribuite”, „ Metode numericeși modelare matematică "," Metode computerizate în fizica matematică, probleme inverse și procesare de imagini "," Metode moderne modelare matematică”, „Cercetare operațională și matematică actuarială”,“ Structuri și algoritmi discreti”, „Sisteme de control discret și aplicațiile acestora”, „Analiza statistică și previziunea riscurilor”, „Securitatea informațiilor sistemelor informatice”, „Teoria sistemelor dinamice neliniare : analiză, sinteză și control "," Metode de modelare matematică și metode de optimizare procese controlate"," Metode logice și combinatorii de analiză a datelor "," Metode matematice de analiză, dinamică și control a sistemelor "," Sisteme inteligente "," Analiza inteligentă a datelor mari "," Tehnologii compilatoare "," Tehnologii de programare "," Sisteme supercalculatoare și aplicații " , "Sisteme distribuite și rețele de calculatoare", "Informatică cuantică", "Software pentru rețele de calculatoare", "Matematice și software pentru securitatea informațiilor", "Metode matematice și informatice de prelucrare a imaginii", "Tehnologii de programare paralelă și de înaltă -calcul de performanță”, „Date mari: infrastructură și metode de rezolvare a problemelor”. Pregătirea masteraturilor în direcția „Informatică fundamentală și tehnologii informaționale” se realizează conform programelor: „Sisteme informaționale deschise”, „Sisteme informaționale pentru managementul întreprinderilor”.

Educația la facultate este de neconceput fără o legătură strânsă cu știința. Studenții sunt implicați în mod obligatoriu în cercetări științifice desfășurate în departamentele facultății, în institute academice sau în laboratoare științifice. La facultate au fost înființate laboratoare de cercetare: fizică matematică, electrodinamică computațională, modelare procese de transfer de căldură și masă, probleme inverse, metode matematice de prelucrare a imaginilor, modelare matematică în fizică, metode diferențiale, tehnologii informaționale deschise, analiză statistică, probleme matematice ale calculatorului. securitate, atelier de calcul și sisteme de informare, sisteme de calcul, sisteme informatice în educație și cercetare științifică, grafică pe computer și multimedia, tehnologii de programare, calculatoare electronice, instrumente în modelare matematică, matematică industrială, precum și student laborator de cercetare Laboratorul de tehnologie Intel și Microsoft.

Facultatea este bine echipată cu calculatoare. Există mai multe clase de calculatoare echipate cu cea mai modernă tehnologie multimedia și software bazat pe procesoare Intel, mai multe clase de stații de lucru care rulează sisteme de operare UNIX. Toate clasele sunt unite într-o rețea locală bazată pe comunicare prin fibră optică cu acces la Internet. Facultatea are mai multe stații de lucru grafice, inclusiv HP Apollo-9000, cluster de înaltă performanță, supercomputere multiprocesor IBM eServer pSeries 690 Regatta. În 2008, facultatea a instalat un supercomputer IBM Blue Gene/P cu o capacitate de aproximativ 30 de teraflopi (trilioane de operații în virgulă mobilă pe secundă). Din 2009, supercomputerul Lomonosov este în funcțiune.

Facultatea are contacte strânse de lucru cu mari companii IT precum Intel, Microsoft, Microsoft Research, IBM, Hewlett-Packard, Sun, Cisco, SAP, Samsung; multe companii rusești: Luxoft, Redlab, IT, Garant, Consultant-Plus, DVM, Kaspersky Lab, Mail.Ru Group și altele. Facultatea are o academie regională CISCO. Împreună cu institutele Academiei Ruse de Științe, Facultatea a creat un centru educațional și științific pentru modelarea supercomputerelor.

Nu există probleme cu angajarea absolvenților facultății. Absolvenții facultăților lucrează în toate domeniile în care se utilizează tehnologia informatică: instituții academice și de cercetare, instituții de învățământ superior, agenții guvernamentale și guvernamentale, bănci, firme de asigurări, firme financiare, de consultanță, firme rusești și străine etc. Aproximativ o treime dintre absolvenți continuă studii postuniversitare .

Facultatea are acorduri cu o serie de universități străine privind cooperarea și schimbul de studenți. Combinația dintre pregătirea teoretică profundă cu activitatea practică și de cercetare activă sub îndrumarea profesorilor și cercetătorilor îi face pe absolvenții facultății competitivi pe piața muncii.

Descrieri ciudate ale scaunelor... ceea ce înseamnă „Unul dintre puținele locuri în care există competiție în rezultatele matematice”. - nu a înțeles

Să încercăm cu SA...
Site-ul web al departamentului http://sa.cs.msu.su/

Acest departament se evidențiază de restul... prin faptul că oferă cea mai completă și de înaltă calitate educație matematică la facultate.

Miezul curriculum-ului este cursurile de management optim. Esența OA este de a muta și controla în mod optim obiectul A în setul B. Cu toată abstractitatea sa, această problemă are o aplicație largă în zone complet diferite. Deci obiectul A poate fi o rachetă, o mitralieră într-o fabrică, planta în sine ca parte a economiei sau chiar un portofoliu de titluri.

Este clar că pentru a rezolva această problemă, în cazul general, trebuie să cunoașteți un traseu bolnăvicios al matematicii - toate acestea sunt date în cadrul cursurilor de departament ... în analiză funcțională și convexă (CA este singurul departament care ajută OM să-și asume creditul pentru funkan), teoria identificării, adică stabilitatea, adică sistemele dinamice + unele clase de ODE și PDE + filtru Kalman și lucruri de bază despre seriile de timp. Teoria este însoțită de sarcini practice voluminoase pe care studenții le completează în Matlab, pachetul matematic principal pentru inginerii și finanțatorii cuantici. De asemenea, studenților li se spune cum se aplică toată această teorie în biologia matematică, economie și matematică financiară ...

În ciuda amplorii acoperirii - profunzimea materialului corespunde celor mai bune tradiții ale perioadei sovietice ... departamentul adoptă, de asemenea, o atitudine responsabilă pentru verificarea cunoștințelor studenților - care distinge favorabil atitudinea sa tipică rasspizdiai în alte departamente ... un elev poate susține un examen-test la infinit până învață materialul... cel mai bun lucru al meu personal a fost - 6 încercări (după ce am învățat toate definițiile - demonstrarea teoremei - rezolvarea problemelor - testul a fost obținut în 20 de minute). Drept urmare, studenții CA nu întâmpină nici cea mai mică problemă în promovarea cursurilor on-line, care sunt citite la un nivel dezgustător din cauza numărului mare de lectori.

Departamentul angajează specialiști minunați:
Kurzhansky este un tată fondator, un megamind, vizitează rar Rusia, dar este mereu în contact, foarte exigent, sever, dar corect.
Bratus este unul dintre specialiștii de frunte în biologie matematică din țară, o persoană foarte plăcută, cu o soartă foarte grea.
Shananin este unul dintre cei mai mari experți ai țării în economie matematică
Arutyunov - matematică pură, analiză convexă, dedică mult timp studenților săi
Lotov - optimizare multicriterială, stă la Institutul Academiei Ruse de Științe - am avut puține contacte cu el
Smirnov este matematică financiară, SN face o mulțime de proiecte aplicate, interesele sale științifice sunt procese aleatorii, o persoană minunată, dar are foarte puțin timp pentru studenți.
Și, de asemenea, câțiva tineri Darin, Tochilin, Rublev
Din păcate, mulți dintre ei trebuie să lucreze cu jumătate de normă în alte locuri, pentru că salariul profesorilor este pur și simplu inadecvat ... ca urmare, timpul lor este limitat, dar dacă un student dorește cu adevărat să discute ceva în munca științifică, atunci își va găsi întotdeauna timp

În fiecare an, departamentul reușește să adune copii talentați. Dificultățile de învățare unesc echipa - încă țin legătura cu mulți dintre colegii mei de clasă - deși locuiesc la celălalt capăt globul... În mod surprinzător, în ceea ce privește procentul de absolvenți cu distincție, departamentul este stabil în rândul liderilor de la facultate. Calitatea tezei se compară favorabil și cu alte departamente, unde cei mai mulți oameni lucrează din anul 4 și diplomele lor seamănă cu o replică formală și nu cu una serioasă. munca stiintifica... Departamentul își asumă angajarea deplină, rareori reușește cineva să o îmbine cu munca la cursul 3-4... A trebuit să o combin - din cauza asta, din păcate, am primit mult mai puține cunoștințe la catedră decât puteam.

Cine lucrează absolvenții și merită? La fel ca băieții din alte departamente ale Academiei de Științe, ei lucrează în principal în IT și finanțe ... la noi, cererea de matematicieni aplicați puternici este mică - există o oportunitate de a merge pentru a continua studiile în străinătate (doctorat)

Uneori mă întreb ce departament aș alege dacă aș fi transportat în trecut – și răspund că aș alege din nou SA.

PS: Sori pentru greselile mele la limba, nu scriu des in rusa.