Научно-исследовательский семинар

2020/2021

Учебный год

RUS

Обучение ведется на русском языке

4

Кредиты

Кто читает:

Кафедра прикладной математики и информатики (Нижний Новгород) (Факультет информатики, математики и компьютерных наук (Нижний Новгород))

Статус:

Курс обязательный

Когда читается:

3-й курс, 2 семестр

Программа дисциплины

Аннотация

Научно-исследовательский семинар включает самостоятельную работу аспирантов, предусмотренную учебным планом подготовки. Схема организации НИС включает в себя доклады двух видов: доклады аспирантов по теме диссертационной работы, доклады ведущих ученых по актуальным научным вопросам. Одной из форм семинара является научно-исследовательский проект. Проект выполняется аспирантом в составе проектной команды или индивидуально по согласованию с научным руководителем. В качестве формы научно-исследовательского проекта могут использоваться следующие виды работ: участие в исследовании в составе научно-учебной группы; проектной учебной группы; в составе команды, выполняющей работы над грантом РФФИ, РГНФ, РНФ или иных фондов, в том числе фондов НИУ ВШЭ; в составе команды, выполняющей контракт, заключенный одним из подразделений НИУ ВШЭ; в составе команды, выполняющей инициативный проект под руководством научного руководителя аспиранта.

Цель освоения дисциплины

• Целями освоения программы научно-исследовательского семинара (НИС) является получение актуальной информации об открытых и недав-но решённых задачах из различных областей компьютерных наук, а также развиваемых подхо-дах к этим задачам.

Планируемые результаты обучения

• Выбирает инструментальные средства для разработки алгоритмов решения задач оптимизации
• Проводит исследовательский анализ в области теории и практики принятия решений
• Проводит исследовательский анализ в области оценки алгоритмоической сложности решения задач оптимизации на графах
• Выбирает инструментальные средства для решения задач анализа данных и машинного обучения

Содержание учебной дисциплины

• Оценка алгоритмической сложности задач оптимизации на графах
  Классические задачи оптимизации на графах и их алгоритмическая сложность. Наследственные классы графов. Критические наследственные классы. Фазовые переходы для алгоритмической сложности задач оптимизации при изменении классов. Особенности целочисленных задач оптимизации. Разработка и исследование полиномиальных алгоритмов.
• Принятие решений
  Принятие решений в условиях неопределенности и риска. Вероятностные и статистические модели. Сетевые модели. Алгоритмы анализа данных и машинного обучения в сетях. Поиск в сетях. Эффективные алгоритмы поиска. Алгоритмы идентификации сетевых структур в сетях случайных величин. Устойчивые и оптимальные алгоритмы идентификации сетевых структур в сетях случайных величин. Применение к сетевым моделям фондовых рынков, сетям экспрессии и ко-экспрессии генов. Особенности сетевых моделей большой размерности.
• Анализ данных и машинное обучение
  Современные инструменты анализа данных и машинного обучения. Нейронные сети. Глубокие нейронные сети. Рекуррентные нейронные сети. Эффективные алгоритмы , предсказания, клас-сификации и кластеризации в условиях малых выборок. Прикладные задачи анализа данных и машинного обучения.
• Вычислительные алгоритмы исследования операций
  Современные модели исследования операций. Разработка моделей. Алгоритмы решения задач исследования операций. Разработка алгоритмов. Анализ вычислительной сложности алгорит-мов. Точные и эвристические алгоритмы. Эффективность алгоритмов. Прикладные задачи ис-следования операций

Элементы контроля

• самостоятельная работа
• зачет
• самостоятельная работа
• зачет

Промежуточная аттестация

• Промежуточная аттестация (II семестр)
  0.4 * зачет + 0.6 * самостоятельная работа

Список литературы

Рекомендуемая основная литература

• Arora, S., & Barak, B. (2009). Computational Complexity : A Modern Approach. Cambridge: Cambridge eText. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=304712
• Mohri, M., Talwalkar, A., & Rostamizadeh, A. (2012). Foundations of Machine Learning. Cambridge, MA: The MIT Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=478737
• Ravindran, A. (2008). Operations Research and Management Science Handbook. Boca Raton: CRC Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=209433

Рекомендуемая дополнительная литература

• Bruce, P. C., & Bruce, A. (2017). Practical Statistics for Data Scientists : 50 Essential Concepts (Vol. First edition). Sebastopol, CA: O’Reilly Media. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=nlebk&AN=1517577
• Du, D., & Ko, K.-I. (2014). Theory of Computational Complexity (Vol. Second edition). Hoboken, New Jersey: Wiley. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=784130
• Newman, M. E. J. (2010). Networks : An Introduction. Oxford: OUP Oxford. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=nlebk&AN=458550
• Pardalos, P. M., Du, D. Z., Graham, R. L. (ed.). Handbook of combinatorial optimization. – Springer, 2013. – 3409 pp.
• Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2017). Data Mining : Practical Machine Learning Tools and Techniques (Vol. Fourth edition). Cambridge, MA: Morgan Kaufmann. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1214611