Кафедра прикладной математики и информатики (Нижний Новгород)

Мы используем файлы cookies для улучшения работы сайта НИУ ВШЭ и большего удобства его использования. Более подробную информацию об использовании файлов cookies можно найти здесь, наши правила обработки персональных данных – здесь. Продолжая пользоваться сайтом, вы подтверждаете, что были проинформированы об использовании файлов cookies сайтом НИУ ВШЭ и согласны с нашими правилами обработки персональных данных. Вы можете отключить файлы cookies в настройках Вашего браузера.

✖

АБB
АБB
АБB

Обычная версия сайта

О кафедре

Кафедра ПМИ создана в 2006 году как выпускающая кафедра по направлению "Прикладная математика и информатика".

Целью деятельности кафедры «Прикладной математики и информатики» является подготовка высококвалифицированных специалистов (бакалавров и магистров) по направлению 010500 «Прикладная математика и информатика», обладающих знаниями и квалификацией, необходимыми для профессионального моделирования и информационного обеспечения экономических и бизнес процессов, анализа и обработки данных.

Научная деятельность

Кафедра выполняет межкафедральные (кафедры Информационных систем и технологий, Математики и др.) исследовательские проекты, национальные проекты в составе общих исследовательских групп (РФФИ, проекты Минобрнауки РФ и др.) с участием партнеров из Института прикладной математики им. М. Келдыша РАН, Математического института им. В. Стеклова РАН, Института прикладной физики РАН, МГУ им. М. Ломоносова, ННГУ им Н. Лобачевского. Осуществляется международное сотрудничество с различными научными центрами Европы и США.

Публикации

Книга

Теория вероятностей и математическая статистика. 2-е изд.

Колданов А. П., Колданов П. А.

М.: Издательский дом НИУ ВШЭ, 2024.

Статья

Partitioning vertices of graphs into paths of the same length

Duginov O., Dmitriy Malyshev, Dmitriy Mokeev

Discrete Applied Mathematics. 2025. Т. 373. С. 179-195.

Глава в книге

ALOE: Boosting Large Language Model Fine-Tuning with Aggressive Loss-Based Elimination of Samples

Demidovskij A., Трутнев А. И., Тугарев А. М. et al.

In bk.: Frontiers in Artificial Intelligence and Applications: 27th European Conference on Artificial Intelligence, 19–24 October 2024, Santiago de Compostela, Spain. Vol. 392. IOS Press Ebooks, 2024. P. 3980-3986.

Препринт

The Gamma-Theta Conjecture holds for planar graphs

Taletskii D.

math. arXiv. Cornell University, 2024

Все публикации

603093 Н.Новгород, ул. Родионова, д. 136, 406 к.

Тел: (831) 436-13-97
E-mail: kaf_pmi@hse.ru

Факультет информатики, математики и компьютерных наук (Нижний Новгород)

Кафедра прикладной математики и информатики (Нижний Новгород)

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

Статус:: Курс обязательный

Когда читается:: 1-й курс, 1, 2 модуль

Преподаватель

Золотых Николай Юрьевич

Полная версия программы учебной дисциплины Задать вопрос

Аннотация

В курсе рассматриваются основные современные методы анализа данных. В результате овладения дисциплиной студент овладеет математическими основами анализа данных и овладеет компетенциями в области практического использования этих методов для анализа реальных данных.

Цель освоения дисциплины

Развитие компетенций в области анализа данных
Развитие компетенций в области математических методов и информационных технологий.

Планируемые результаты обучения

Освоение основных теоретических положений современных методов анализа данных
Овладение практическими навыками анализа реальных данных

Содержание учебной дисциплины

Многомерные данные и их представление
Многомерные данные. Первичная обработка. Пропуски и выбросы. Классификация и визуализация.
Дискриминантный анализ
Линейный дискриминантный анализ. Квадратичный дискриминантный анализ.
Статистические основы многомерного анализа
Основные понятия и методы многомерной статистики
Многомерное шкалирование
Многомерное шкалирование для представления данных
Кластерный анализ
Методы кластерного анализа. Метод средних, метод медоидов, алгоритм DBSCAN. Методы иерархической кластеризации
Факторный анализ
Факторный анализ и его использование
Анализ главных компонент
Метод главных компонент и его использование для анализа данных

Элементы контроля

Домашнее задание
Домашнее задание
Домашнее задание
Домашнее задание

Промежуточная аттестация

Промежуточная аттестация (1 модуль)
0.5 * Домашнее задание + 0.5 * Домашнее задание
Промежуточная аттестация (2 модуль)
0.5 * Домашнее задание + 0.2 * Домашнее задание + 0.3 * Промежуточная аттестация (1 модуль)

Современные методы анализа данных

Автор программы