Короткий опис кафедр факультету ВМК. Факультет обчислювальної математики та кібернетики мг Кафедра математичних методів прогнозування

Голова відділу: Журавлев Юрі, Академія RAS, Професор, Dr.Sc.

Contact information Other contact information

119991, Moscow, GSP-1, Leninskiye Gory, MSU, 2nd Educational Building, CMC Faculty, rooms 530, 532, 573, 680 (Head of the department)

Веб-партнери спеціалістів в управлінні, data-mining, image processing algorithms і їх застосування в природничих науках, economics, finance, etc. Веб-партнери з'являються математичні методи для diagnosing комплексних систем (включаючи технічні і економічні ones), analyzing ці системи, архітектура або сучасні технічні рішення, які спираються на інделектуальне, incomplete, or contradictory information.

Під час тренування, школярі отримують особливу освіту в різних областях математичних таких як сучасні алгебри і математичні логіки, теорії algoritms, discrete and combinatorial matematics, matematical models of artificial intelligence, including the matematical methods of pattern recognition, image ймовірність теорії, застосовані статистики, графічні моделі.

Відповідаючи на практичні заходи, школярі беруть участь в роботі з сучасними програмами і технологією, вивчають сучасні програмні лінгвістики і технології, gain experience in solving applied problems. Students as have practice в search institutions of the Russian Academy of Sciences, innovative companies, financial organizations, etc. На час їхніх майстрів багато тих, що мають у своєму розпорядженні papers in scientific journals and top conferences’ proceedings.

Веб-дизайн preparations professional в розвитку і application of matematical methods to solve divers data processing problems such as scoring systems, fraud detection, retails prediction, bioinformatics, natural language processing, computer vision, expert systems, etc.

Staff members:

Rudakov Konstantin, Corresponding Member of RAS, Professor, Dr.Sc.
Mestetsky Leonid, Corresponding Member of RAS, Professor, Dr.Sc.
Dyakonov Alexander, Professor, Dr.Sc.
Leontyev Vladimir, Professor, Dr.Sc.
Vorontsov Konstantin, Associate Professor, Dr.Sc.
Gurevich Igor, Associate Professor, PhD
Gurov Sergey, Associate Professor, PhD
Dyukova Elena, Associate Professor, Dr.Sc.
Maisuradze Archil, Associate Professor, PhD
Ryazanov Vladimir, Associate Professor, Dr.Sc.
Senko Oleg, Associate Professor, Dr.Sc.
Vetrov Dmitry, Associate Professor, PhD
Kropotov Dmitry, Researcher, Scientific Secretary of the Department

Regular courses:

Algebraic methods in machine learning by Prof. Журавлев, 16 лекція годин та 16 seminar hours.
Applied algebra by Prof. Дьяконов, Prof. Leontyev, Assoc. Prof. Gurov, 48 лекція годин і 48 семінарів.
Machine learning by Assoc. Prof. Воронстов, 32 лекції годин.
Bayesian methods in machine learning by Assoc. Prof. Ветров, 16 лекція годин та 16 seminar hours.
Graphical models by Assoc. Prof. Ветров, 16 лекція годин та 16 seminar hours.
Mathematical methods of classification by Prof. Rudakov, 32 lecture hours.
Computer workshop by Assoc. Prof. Maisuradze, 48 lecture hours.
Image processing and analysis by Prof. Mestetsky, 16 lecture hours.
Algorithms, models, algebras by Prof. Дьяконов, 16 лекція годин.
Applied statistics by Assoc. Prof. Воронстов, 16 лекція годин і 16 seminar годин.
Signal Processing by Ass. Prof. Krasotkina, 16 lecture hours.

Special courses:

Bayesian methods of machine learning по Dr. Vetrov, 16 lecture hours.
Computational problems of bioinformatics by Assoc. Prof. Makhortyh and Assoc. Prof. Pankratov, 16 lecture hours.
Image Mining by Assoc. Prof. Gurevich, 16 lecture hours.
Propositional calculus of classical logic by Assoc. Prof. Гуров, 32 lecture hours.
Combinatorial foundations of information theory by Assoc. Prof. Воронстов, 16 лекція годин.
Logical methods in pattern recognition by Assoc. Prof. Дюкова, 16 lecture hours.
Mathematical methods of biometrics by Prof. Rudakov, 16 lecture hours.
Metric Methods of Data Mining by Assoc. Prof. Maisuradze, 16 lecture hours.
Конфіденційні morphological models and algorithms by Prof. Mestetsky, 16 lecture hours.
Non-statistical methods of data mining and classification by Assoc. Prof. Рязанов, 32 lecture hours.
Generalized spectral-analytical method, 16 lecture hours.

Special scientific seminars and directions of research:

Algebraic approach to data mining, machine learning and pattern recognition

(Academician of RAS Yu. I. Zhuravlyov, Corresponding Member of RAS K.V. Rudakov, Dr.Sc. V.V. Ryazanov, Dr.Sc. A.G. Dyakonov).

У framework of algebraic approach new algorithms є сформульованими як формули, що починаються з ініціальних algorithms (weak learners) або як Boolean functions (logic correctors). Головним результатом є те, що будь-який algoritm може бути як superposition of recognition operator and decision rule. Це дає змогу вказати на будь-які результати як особливі матуси – симпатичні матиці (outputs of recognition operators), так і result matrices (outputs of decision rules). Operations over algorithms are induced by operations over the corresponding estimate matrices. Альгебраїчні методи дозволяють один структурні формули над algoritms, формули, що є правильним на test set (або має бути розв'язання, що початкові algoritms).

Computational learning theory and machine learning applications

(Dr. K. Vorontsov)

Один з найбільш вивчаючих проблем в управлінні технікою дослідження є analyzing загальна продуктивність ведення персоналу. А комбінаторна теорія з надміру, яка дає правильний і в деяких випадках, випливає, що generalization bounds is developed. Ці літери є пристосовані до дизайну літератури algoritms в таких машинах освітлення subareas as ensemble learning, rule induction, the distance learning, features selection, prototype selection. Інший пошук direction is information retrieval, collaborative filtering, and probabilistic topic modeling with applications to the analysis of big collections of scientific documents.

Continuous models in image shape analysis and classification

(Prof. L. Mestetsky)

Пристосування і методи objects shape representation in digital images by continuous models are investigated. Human eye does not see the discrete натура of digital images. Images look like continuous pictures, and it is more customary and simpler to operate “solid” continuous geometric models of the shape. Вонизастосовують основні моделі, що спричиняють значні інтеграції створення algoritms для analyzing, classifying, і transforming image shapes. The concept of figure as universal universal continuous model shape is used. На малюнку є визначений як closed domain, який основний зміст міститься в finite number of nonintersecting Jordan curves. Три interconnected methods of figure representation are investigated; ці є boundary, medial і circular descriptions. Зображення про те, щоб визначати правильний модель для цифрового зображення, змінюється на відповідність цього зображення за основними фігурами. Вони є ефективними комп'ютерних геометричних algoritms, які застосовані для форми analysis і пов'язаних категорій дискретних об'єктів в цифрових зображеннях.

Bayesian Methods in Machine Learning

(Dr. D. Vetrov and D. Kropotov)

Резюме робота полягає в розробці Bayesian approach в можливості теорії і її application for solving different machine learning and computer vision problems. Bayesian methods have become wide-spread technique в останні 15 років. Їхня основна перевага включає в себе автоматичні візерунки структурних параметрів в машині освітлення моделей, як правильний спосіб для відповіді в разі uncertainty, як можливість розглядати структурні і probabilistic interactions в data arrays (базується на активному розробці графічних моделей data and model parameter representation that allows an easy fusion of indirect observations and prior ideas.

Розроблені технології є надійно використані для вирішення різних застосованих проблем, включаючи геніальний вираз analysis в animal brains при cognitive processes.

Data Mining: New Challenges and Methods

Відношення seminar is designed для 2nd-5th year students, graduate students and anyone interested. Це таке місце в jar semester в формі повідомлень учасників і запрошених фахівців. Topics є diverse. Вони включають (але не обмежений до) hypothesis of compactness in pattern recognition; the solution of Boolean equations and synthesis of control circuits; математичні методи для analysis of brain activity; Характеристики partially ordered sets; виявлення latent image-based processing of radiographs and photographs of paintings; analysis of formal concepts in applied problems.

Clustering problems

(Academician of RAS Yu. Zhuravlev and Dr. V. Ryazanov)

Існують багато clustering algorithms, що базуються на різних принципах і спрямовані на різні partitions of a given sample. В absence of statistical models of data, evaluation and comparison problems of clustering arise. Does the resulting clustering відповідає це objective reality, або just get a partition? Criteria for evaluating the quality of clustering and methods their calculation are designed. Ці критерії можуть бути в структурі властивостей clustering algorithms.

Intellectual data-mining: new problems and methods

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

Data-mining in metric spaces

(Dr. A. Maisuradze)

Analysis and estimation of information міститься в зображеннях

(Dr. I. Gurevich)

Logical methods of pattern recognition

(Dr. E. Dyukova)

Combinatorial методів з інформації теорії

(Dr. V. Leontyev)

Problem-oriented methods of pattern recognition

(Corresponding Member of RAS Prof. K. Rudakov and Dr. Yu. Chekhovich)

Recent papers

V.V. Рязанов і І.І. Tkachev, Estimation of Dependences Based on Bayesian Correction of Committee of Classification Algorithms // Computat. Mathem. and Math. Physics, vol. 50. no. 9, pp. 1605-1614, 2010.
V.V. Рязанов, деякі Imputation Algorithms для Restoration of Missing Data // Lecture Notes in Computer Science (LNCS), vol. 7042, pp. 372-379, 2011.
K. Vorontsov, Exact Combinatorial Bounds on Probability Overfitting for Empirical Risk Minimization // Pattern Recognition and Image Analysis, vol. 20, no. 3, pp. 269-285, PDF, 427Kb, 2010.
K. Vorontsov and A. Ivakhnenko, Tight Combinatorial Generalization Bounds for Threshold Conjunction Rules // Lecture Notes on Computer Science. 4th International Conference on Pattern Recognition and Machine Intelligence (PReMI'11), Russia, Moscow, June 27-July 1, pp. 66-73, PDF, 153Kb, 2011.
N. Spirin and K. Vorontsov, вивчаючи сходи з нерівним Monotonic Ensemble // Lecture Notes on Computer Science. 10th International Workshop on Multiple Classidier Systems (MCS-10). Naples, Italy, June 15-17, pp. 16-25, PDF, 490Kb, 2011.
D. Vetrov and A. Osokin, Graph Preserving Label Decomposition in Discrete MRFs with Selfish Potentials // Програми Міжнародного робітника на Discrete Optiization in Machine learning (DISSML NIPS 2011), 2011.
Osokin, D. Vetrov і V. Kolmogorov, Submodular Decomposition Framework для Inference в Associative Markov Networks з Global Constraints // Proceedings of International Conference on Computer Vision and Pattern Recognition (CVPR2011), N.Y., USA, Springer, pp. 135-142, 2011.
Yangel and D. Vetrov, Image Segmentation with Shape Prior Based on Simplified Skeleton // Proceedings of International Workhop on Energy Minimization Methods (EMMCVPR2011), 2011.
Дьяконов, дві оцінки Algorithms засновані на Deformed Linear Combinations // Proc. of ECML-PKDD, 2011, Discovery Challenge Workshop, pp. 21-28, 2011.
Дьяконов, теорія еволюційних систем для усунення Algebraic Closures of Generalized Estimation Model. II // Computational Mathematics and Mathematical Physics, vol. 51, no. 3, pp. 490-504, 2011.
N. Dyshkant, L. Mestetskiy, B.H. Shekar and Sharmila Kumari, Face recognition using kernel component analysis // Neurocomputing, vol. 74, no. 6, pp. 1053-1057, 2011.
BH. Shekar, Sharmila Kumari, N. Dyshkant і L. Mestetskiy, FLD-SIFT: Class Based Scale Invariant Feature Transform for Accurate Classification of Faces // Comm. in Computer and Information Science, 1, Computer Networks and Information Technologies, vol. 142, part 1, pp. 15-21, 2011.
Kurakin and 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, Mar, 2 5-7, pp. 555-560, 2011.
Bakina, A. Kurakin and L. Mestetskiy, Hand geometry analysis by continue skeletons // Lecture Notes in computer science, Image analysis and recognition, Springer, vol. 6753/2011, part 2, pp. 130-139, 2011.
I.G. Bakina та L.M. Местецьскій, Hand Shape Recognition від Natural Hand Position // Проведення IEEE International Conference on Hand-Based Biometrics, Hong Kong Polytechnic University, Hong Kong, pp. 170-175, 2011.
Бібліотека Російсько-Індийський школяр на освітленні Applications of Computer Vision: Workshop Proc. / Ed. by A. Maysuradze - Moscow, MAKS Press, 2011. - 224 p. ISBN 978-5-317-03937-0
D.P.Vetrov, D.A.Kropotov, A.A.Osokin and D.A.Laptev, Variational segmentation algorithms with label frequency constraints // Pattern Recogn. and Image Anal., vol. 20, no. 3, pp. 324-334, 2010.
D.P.Vetrov, D.A.Kropotov, A.A.Osokin, A.Lebedev, V.Galatenko and K.Anokhin, An interactive method anatomical segmentation and gene expression estimation for experimental mouse brain slice // Proc. of 7th Intern. Conf. на Computational Intelligence Methods for Biostatistics and Bioinformatics, Palermo, Italy: Springer, no. 1, pp. 23-34, 2010.
D.P.Vetrov and V.Vishnevsky, algoritm for detection of fuzzy behavioral patterns // Proc. of Measuring Behavior 2010, 7th Intern. Conf. на Methods and Techniques in Behavioral Research, Eindoven, Holland: Springer, no. 1, pp. 41-45, 2010.
S.I.Gurov, новий принцип для особливих приорій distribution and consistency interval estimate // Scientific Computing. Proc. of the Intern. Eugene Lawler Ph.D. School. Waterford, Ірландія: WIT press, pp. 8-20, 2010.
S.I.Gurov, Probability estimation of 0-event // Scientific Computing. Proc. of the Intern. Eugene Lawler Ph.D. School. Waterford, Ірландія: WIT press, pp. 198-209, 2010.
A.I.Maysuradze, Domain-oriented bases in spaces finite metrics of given rank // Scientific Computing. Proc. of the Intern. Eugene Lawler Ph.D. School. Waterford, Ірландія: WIT press, pp. 210-221, 2010.
D.P.Vetrov, D.A.Kropotov and A.A.Osokin, 3-D mouse brain model reconstruction від закінчення 2-d slices в application to allen brain atlas // Computational Intelligence Methods for Bioinformaticcs and Biostatistics. Література Notes in Computer Science, Berlin, Німеччина: Springer, no. 6160, pp. 291-303, 2010.
E.V.Djukova, Yu.I.Zhuravlev and R.M.Sotnezov, Створення пам'яті логічних функцій на основі основних елементарних класифікаторів // Pattern Recogn. and Image Anal., vol. 21, no. 4, pp. 599-605, 2011.
D.P.Vetrov and B.K.Yangel, Image segmentation with shape prior based on simplifies skeleton // Proc. of Intern. Workshop on Energy Minimization Methods. Berlin, Німеччина: Springer, pp. 148-161, 2011.

Новіков Олександр, Родоманов Антон, Осокін Антон, і Ветров Дмитро. Putting mrfs on a tensor train. Journal of Machine Learning Research, 32 (1): 811-819, 2014.
A. Osokin та D. Vetrov. Submodular relaxation for inference in markov random fields. IEEE Transactions on Pattern Analysis and Machine Intelligence, 99, 2014.
Bartunov Sergey and Vetrov Dmitry. Variational inference for sequential distance dependent chinese restaurant process. Journal of Machine Learning Research, 32 (1): 1404-1412, 2014.
L. Местецкій. Representation of linear segment voronoi diagram by bezier curves. In Праці 24 міжнародної конф. Графікон-2014, pages 83-87. Академія архітектури та мистецтв ПФУ Ростов-на-Дону, 2014.
S.V. Ablameyko, A.S. Бірюков, А.А. Dokukin, A.G. D'yakonov, Yu I. Zhuravlev, V.V. Krasnoproshin, V.A. Образцов, М.Ю Романов, і В.В. Рязанов. Практичні algorithms для algebraic and logical correction in precedent-based recognition problems. 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, і Semenov Stanislav. , 8787:541-548, 2014.
Vorontsov K. V. Additive Regularization for Topic Models of Text Collections // Документи Mathematics. 2014, Pleiades Publishing, Ltd. – Vol. 89, No. 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 Switzerland, 2014. Communications in Computer and Information Science (CCIS). Vol. 436. pp. 29-46.
Успенські ВМ, Воронтов К.В., Теллих VR, Бунаков В.В. Series on Advances in Mathematics for Applied Sciences, vol. 86, World Scientific, Singapore (2015) pp 375-382.
Vorontsov K. V., Potapenko A. A. Additive Regularization of Topic Models // Machine Learning Journal. Special Issue “Data Analysis and Intelligent Optimization with Applications” (to appear).

Gurov S.I. Усвідомлення надійності класифікації algorithm як базується на новому інформаційному моделях // Comput. Mathematics and Math. Phys. 2013. 53. N 5. P. 640-656.
Неkrasov K.V., Laptev D.A., Vetrov D.P. Automatic determination of cell division rate using microscope images // Pattern Recogn. and Image Anal. 2013. 23. N 1. P. 105-110.
Осокін А.А., Амельченко Е.М., Зворікіна С.В., Чехов С.А., Лебедев А.Е., Воронін П.А., Галатенко В.В., Ветров Д.П., Анокін К.В. Statistic parametric mapping of changes in gene activity in animal brain during acoustic stimulation // Bulletin of Experimental Biology and Medicine. 2013. 154. N 5. P. 697-699.
Voronin P.А., Vetrov D.P., Ismailov K. На основі segmentation mouse brain images via intermodal registration // Pattern Recogn. and Image Anal. 2013. 23. N 2. P. 335-339.
Zhuravlev Y.I., Laptin Y., Vinogradov A., Likhovid A. A comparison of some approaches to the recognition problems in care of two classes // Information Models & Analyses. 2013. 2. N 2. P. 103-111.
Чернишев В.А., Местетскій Л.М. Mobile machine vision system for palm-based recognition // Proc. of 11th Intern. Conf. Pattern Recogn. and Image Anal.: New Information Technologies. N 1. Самара: ІСОІ РАН, 2013. P. 398-401.
Дюкова Е.В., Любимцева М.М., Прокофьев П.А. Logical correctors in recognition problems // Proc. of 11th Intern. Conf. Pattern Recogn. and Image Anal.: New Information Technologies. N 1. Самара: ІСОІ РАН, 2013. P. 82-83.
Dyshkant N.F. Comparison of point clouds 3d scanner // Discrete Geometry for Computer Imagery. 17th Intern. Conf. Література Notes in Computer Science. N 7749. Berlin, Німеччина: Springer, 2013. P. 47-58.
Гуров С.І., Прокашева О.В., Оніщенченко А.А. Classification methods based on formal concept analysis // The 35th European FCAIR 2013-Formal Concept Analysis Meets Information Retrieval. N 1. М: Видавничий будинок НДУ ВШЕ, 2013. P. 95-104.
Mestetskiy L.M., Зимовнов А.В. Curve-skeleton extraction using silhouettes" medial axes // ГрафікКон"2013. 23-та Міжнародна конференція з комп'ютерної графіки та зору. Праця конференції. Владивосток: Дальнаука, 2013. Р. 91-94.
Osokin А., Kohli P., Jegelka S. A principled deep random field model for image segmentation // 2013 IEEE Conf. на Computer Vision and Pattern Recogn. N.Y., USA: IEEE Computer Society Press, 2013. P. 1971-1978.
Zhuravlev Y.I., Gurevich I., Trusova Yu., Vashina V. Бібліотека проблем і думок про те, що описані в зображенні // Proc. of 11th Intern. Conf. Pattern Recogn. and Image Anal.: New Information Technologies. N 1. Самара: ІСОІ РАН, 2013. P. 30-35.
Дьяконов А.Г. Деформація відповідей алгоритмів аналізу даних // Spectral and Evolution Problems. № 23. Сімферополь, Україна: Taurida National V. Vernadsky University, 2013. C. 74-78.

Бондаренко Н.Н., Журавлев Ю.І. Algorithm for choosing conjunctions for logical recognition methods // Comput. Math. and Math. Phys. 2012. 52. N 4. P. 746-749.
D"yakonov A.G. Criteria for singularity of pairwise L1-distance matrix and their generalizations // Izvestiya. Mathematics. 2012. 76. N 3. P. 517-534.
Онішченко А.А., Гуров С.І. Classification заснований на formal concept analysis and biclustering: possibilities of the approach // Computational Mathematics and Modeling. 2012. 23. N 3. P. 329-336.
Voronin P.A., Adinetz A.V., Vetrov D.P. 22-а Міжнародна конференція з комп'ютерної графіки та зору. Праці конференції. М.: МАКС Прес, 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.
Osokin A.A., Vetrov D.P. Submodular relaxation for MRFs with high-order potentials // Computer Vision - ECCV 2012. Workshops and Demonstrations. Література Notes in Computer Science. N 7585. Berlin, Німеччина: Springer, 2012. P. 305-314.
Voronin P.A., Vetrov D.P. Robust distance fields for shape-based registration // Інтелектуалізація обробки інформації: 9-я міжнародна конференція. М: Торус Прес, 2012. P. 382-385.
Yangel B.K., Vetrov D.P. Globally optimal segmentation with graph-based shape prior // Інтелектуалізація обробки інформації: 9-я міжнародна конференція. М: Торус Прес, 2012. P. 456-459.

Президент – академік РАН Мойсеєв Євген Іванович
В.о.декана - академік РАН Соколов Ігор Анатолійович

Факультет обчислювальної математики та кібернетики (ВМК) Московського державного університетуімені М.В.Ломоносова є провідним навчальним центром Росії з підготовки кадрів у галузі фундаментальних досліджень з прикладної математики, обчислювальної математики, інформатики та програмування.

Факультет був заснований у 1970 році. Самим фактом свого створення, виробленням структури та основних напрямів наукової діяльностіфакультет ВМК повністю завдячує одному з найбільших вчених Росії - академіку Андрію Миколайовичу Тихонову. Зусилля О.М. Тихонова зі створення факультету ВМК отримали підтримку академіка М.В. Келдиша – на той час президента Академії наук СРСР. Крім О.М. Тихонова, деканом факультету ВМК у перші 20 років існування, важливу роль відіграли перші співробітники факультету: академік Л.С. Понтрягін, члени-кореспонденти АН СРСР Л.М. Більшов та С.В. Яблонський та професора І.С. Березін та Ю.Б. Гермейєр.

За минулі роки на факультеті сформувалися провідні в Росії наукові школи з різних фундаментальних напрямків прикладної математики та інформатики: з теорії некоректно поставлених завдань, з математичної фізики та спектральної теорії диференціальних рівнянь, з нелінійних динамічних систем та процесів управління, з обчислювальних методів та математичного моделювання, з теорії ігор та дослідження операцій, з оптимального управління та системного аналізу, з математичної кібернетики та математичної логіки, з теорії ймовірностей та математичної статистики, з прикладного та теоретичного програмування, з архітектури обчислювальних систем та мереж.

До складу факультету ВМК входять 19 кафедр: математичної фізики, обчислювальних методів, загальної математики, функціонального аналізу та його застосувань, автоматизації наукових досліджень, обчислювальних технологій та моделювання, суперкомп'ютерів та квантової інформатики, нелінійних динамічних систем та процесів управління, оптимального управління, системного аналізу, математичної статистики, дослідження операцій, математичних методів прогнозування, математичної кібернетики, системного програмування, алгоритмічних мов, автоматизації систем обчислювальних комплексів, інформаційної безпеки, англійської.

Серед завідувачів кафедр академіки Ю.І. Журавльов, А.Б. Куржанський, Є.І. Моїсеєв, Ю.С. Осипов, І.А. Соколов, Є.Є. Тиртишников, Б.М. Четвертушкін, член-кореспондент В.В. Воєводін, А.І. Аветисян, Р.Л. Смілянський.

Підготовка на факультеті здійснюється за такими основними освітніми програмами підготовки бакалаврів та магістрів: 010300 «Фундаментальні інформатика та інформаційні технології», 010400 «Прикладна математика та інформатика».

Навчальним планом для студентів, які навчаються на факультеті ВМК МДУ з програм підготовки бакалаврів, передбачено фундаментальну математичну підготовку. Студенти вивчають математичний аналіз, теорію функцій комплексного змінного, функціональний аналіз, лінійну алгебру, аналітичну геометрію, звичайні диференціальні рівняння, рівняння математичної фізики, теорію ймовірностей, математичну статистику, математичну логіку, дискретну математику, операцій , екстремальні завдання

Студентам факультету читається широкий спектр курсів, пов'язаних з обчислювальною технікоюта програмуванням: алгоритми та алгоритмічні мови, архітектура ЕОМ та мова асемблера, операційні системи, прикладне програмне забезпечення, комп'ютерна графіка, паралельні обчислення, бази даних, операційні системи, штучний інтелект, об'єктно-орієнтоване програмування, комп'ютерні мережі, мережеві технології, системи програмування, верифікація програм на моделях, об'єктно-орієнтований аналіз та проектування, формальні методи специфікації програм.

Значне місце у підготовці займає практична робота на комп'ютерах, включаючи роботу на високопродуктивних обчислювальних системах. За час навчання студенти навчаються працювати у кількох операційних системах та вивчають, як мінімум, три мови програмування. Усі студенти вивчають англійську мову та цикл гуманітарних дисциплін.

На перших двох курсах навчання ведеться за загальним навчальним планамта програм. Основна увага приділяється загальноматематичній підготовці та теоретичному та прикладному програмуванню. Останнім часом велика увага приділяється використанню суперкомп'ютерів, суперкомп'ютерних технологій у моделюванні, паралельним обчисленням. Починаючи з третього курсу студенти проходять спеціалізацію на обраних ними кафедрах. Кожен студент працює у спецсемінарі та має свого наукового керівника.

Випускники відділення бакалаврів можуть продовжити навчання у магістратурі факультету. Термін навчання у магістратурі – 2 роки. Прийом у магістратуру складає конкурсній основі. Випускники магістратури факультету, які виявили схильність до науково-дослідної роботи, можуть продовжити навчання в аспірантурі факультету. Термін навчання в очній аспірантурі – 4 роки.

Підготовка магістрів за напрямом «Прикладна математика та інформатика» здійснюється за програмами: «Обчислювальні технології та моделювання», «Спектральна теорія диференціальних операторів та управління розподіленими системами», « Чисельні методита математичне моделювання», «Комп'ютерні методи в математичній фізиці, обернених задачах та обробці зображень», « Сучасні методиматематичного моделювання», «Дослідження операцій та актуарна математика», «Дискретні структури та алгоритми», «Дискретні керуючі системи та їх застосування», «Статистичний аналіз та прогнозування ризиків», «Інформаційна безпека комп'ютерних систем», «Теорія нелінійних динамічних систем: аналіз , синтез та управління», «Математичні методи моделювання та методи оптимізації керованих процесів», «Логічні та комбінаторні методи аналізу даних», «Математичні методи системного аналізу, динаміки та управління», «Інтелектуальні системи», «Інтелектуальний аналіз великих даних», «Компіляторні технології», «Технології програмування», «Суперкомп'ютерні системи та програми» , «Розподілені системи та комп'ютерні мережі», «Квантова інформатика», «Програмне забезпечення обчислювальних мереж», «Математичне та програмне забезпечення захисту інформації», «Математичні та комп'ютерні методи обробки зображень», «Технології паралельного програмування та високопродуктивні обчислення», «Великі дані: інфраструктура та методи вирішення завдань». Підготовка магістрів за напрямом «Фундаментальна інформатика та інформаційні технології» здійснюється за програмами: «Відкриті інформаційні системи», «Інформаційні системи управління підприємством».

Навчання на факультеті неможливо без тісного зв'язку з наукою. Студенти обов'язково залучаються до наукових досліджень, які проводяться на кафедрах факультету, в академічних інститутах чи наукових лабораторіях. На факультеті створено науково-дослідні лабораторії: математичної фізики, обчислювальної електродинаміки, моделювання процесів тепломасоперенесення, зворотних завдань, математичних методів обробки зображень, математичного моделювання у фізиці, різницевих методів, відкритих інформаційних технологій, статистичного аналізу, математичних проблем комп'ютерної безпеки інформаційних систем, обчислювальних комплексів, інформаційних систем в освіті та наукових дослідженнях, комп'ютерної графіки та мультимедіа, технологій програмування, електронних обчислювальних машин, інструментальних засобів у математичному моделюванні, індустріальної математики, а також студентська дослідницька лабораторія Intel та лабораторія технологій Microsoft.

Факультет добре оснащений обчислювальною технікою. Є кілька комп'ютерних класів, оснащених найсучаснішою мультимедійною технікою та програмним забезпеченням з урахуванням процесорів Intel, кілька класів робочих станцій під керівництвом операційних систем сімейства UNIX. Усі класи об'єднані в локальну мережу на основі оптоволоконного зв'язку з виходом до Інтернету. На факультеті кілька графічних станцій, у тому числі HP Apollo-9000, високопродуктивний кластер, багатопроцесорні суперЕОМ IBM eServer pSeries 690 Regatta. У 2008 році на факультеті встановлено суперЕОМ IBM Blue Gene/P потужністю близько 30 терафлопс (трильйонів операцій із плаваючою точкою за секунду). З 2009 року експлуатується суперкомп'ютер "Ломоносов".

Факультет має тісні робочі контакти з великими IT-компаніями, такими, як Intel, Microsoft, Microsoft Research, IBM, Hewlett-Packard, Sun, Cisco, SAP, Samsung; багатьма російськими компаніями: Люксофт, Редлаб, Ай-Ті, Гарант, Консультант-Плюс, ДВМ, Лабораторія Касперського, Mail.Ru Group та інші. На факультеті працює регіональна академія CISCO. Спільно з інститутами РАН на факультеті створено учбово-науковий центр суперкомп'ютерного моделювання.

Проблем із працевлаштуванням випускників факультету немає. Випускники факультету працюють у всіх сферах, де використовується обчислювальна техніка: академічні та науково-дослідні інститути, вищі навчальні заклади, державні та урядові установи, банки, страхові, фінансові, консалтингові фірми, російські та іноземні фірми тощо. Близько третини випускників продовжують навчання в аспірантурі.

Факультет має угоди з низкою зарубіжних університетів про співпрацю та обмін студентами. Поєднання глибокої теоретичної підготовки з активною практичною та науково-дослідною роботою під керівництвом викладачів та наукових співробітників робить випускників факультету конкурентоспроможними на ринку праці.

Дивні описи кафедр... що означає "Одне з небагатьох місць, де є конкуренція математичних результатів." - так і не зрозумів

Давайте спробую про СА.
сайт кафедри http://sa.cs.msu.su/

Ця кафедра виділяється на тлі інших... тим, що дає найбільш повну та якісну математичну освіту на факультеті.

Ядром навчальної програми є курси з оптимального управління. Суть ОУ полягає в тому, щоб оптимальним чином перемістити-управити об'єкт А в множіні В. При всій своїй абстрактності це завдання має широке застосування в абсолютно різних областях. Так, об'єктом А може бути ракета, автомат на заводі, сам завод як частина економіки або навіть портфель цінних паперів.

Зрозуміло, що для вирішення цього завдання в загальному випадку потрібно знати нехилий вагон математики - все це дається в рамках кафедральних курсів... за функціональним і опуклим аналізом (СА єдина кафедра, яка допомагає ОМ приймати залік по функану), теорії ідентифікації, т. стійкості , т. динамічних систем + деякі класи ОДУ та УрПП + фільтр Калмана та базові речі про тимчасові ряди. Теорія супроводжується об'ємними практичними завданнями, які студенти виконують на Matlab – провідний матпакет для інженерів та фінансистів-квантів. Також студентам розповідають як вся ця теорія застосовується у математичній біології, економіці та фінансовій математиці.

Незважаючи на широту охоплення - глибина матеріалу відповідає кращим традиціям радянського періоду... також кафедра відповідально ставиться до перевірки знань студентів - що вигідно відрізняє її типово-розпиздяйські відносини на інших кафедрах... студент може складати іспит-залік до нескінченності доки не вивчить матеріал ... мій особистий рекорд був - 6 спроб (після того як я вивчив всі визначення-докази на теорем-вирішення завдань-залік був отриманий за 20 хв). Як наслідок, студенти СА не мають жодних проблем при здачі потокових курсів, які через розплідництво лекторів читаються на огидному рівні.

На кафедрі працюють чудові спеціалісти:
Куржанський - батько-засновник, мегамозок, рідко буває в Росії, але постійно на зв'язку, дуже вимогливий, суворий справедливий.
Братусь - один із провідних у країні фахівців з математичної біології, дуже приємна у спілкуванні людина з дуже непростою долею
Шананін - один із провідних у країні фахівців з математичної економіки
Арутюнов – чиста математика, опуклий аналіз, приділяє багато часу своїм студентам
Лотов - багатокритеріальна оптимізація, що сидить в інституті РАН - я мало з ним спілкувався
Смирнов - фінансова математика, СН робить багато прикладних проектів, сфера наукових інтересів - випадкові процеси, чудова людина але часу на студентів у нього дуже мало.
А також кілька молодих хлопців Дар'їн, Точілін, Рубльов
На жаль, багатьом їх доводиться працювати за сумісництвом у інших місцях, т.к. зп професорів просто неадекватна... як наслідок їх час обмежений, але якщо студент дійсно щось хоче обговорити з наукової роботи - то час завжди знайдуть

Щороку на кафедрі вдається збирати талановитих хлопців. Труднощі навчання сплачують колектив – я досі підтримую зв'язок із багатьма одногрупниками – хоча живу на іншому кінці земної кулі. Але за відсотком червонодипломників кафедра стабільна серед лідерів на факультеті. Якість дипломних робіт також вигідно відрізняється від інших кафедр, де більшість народу працює з 4-го курсу та їхні дипломи нагадують відписку, а не серйозну. наукову роботу. Кафедра передбачає повну зайнятість, рідко кому вдається поєднувати з роботою на 3-4 курсі... мені довелося поєднувати - через це я, на жаль, отримав на кафедрі значно менше знань, ніж міг би.

Ким працюють випускники і чи варте воно того? Як і хлопці з інших кафедр САшники здебільшого працюють у ІТ та у фінансах... у нашій країні попит на сильних математиків-прикладників невеликий – є можливість поїхати продовжувати навчання за кордон (PhD)

Іноді себе питаю яку б кафедру вибрав якби перенісся в минуле - і відповідаю, що знову вибрав би СА.

ЗИ: Сміття за мої помилки в мові, не часто пишу російською.