Кафедра прикладной математики и информатики (Нижний Новгород)

АБB
АБB
АБB

Обычная версия сайта

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

Integral Robot Technologies and Speech Behavior

Kharlamov A. A., Pantiukhin D., Borisov V. et al.

Newcastle upon Tyne: Cambridge Scholars Publishing, 2024.

Статья

On Trees with a Given Diameter and the Extremal Number of Distance-k Independent Sets

D. S. Taletskii.

Journal of Applied and Industrial Mathematics. 2023. Vol. 17. No. 3. P. 664-677.

Глава в книге

Uncertainty of Graph Clustering in Correlation Block Model

Artem Aroslankin, Valeriy Kalyagin.

In bk.: Mathematical Optimization Theory and Operations Research: Recent Trends. 22nd International Conference, MOTOR 2023, Ekaterinburg, Russia, July 2–8, 2023, Revised Selected Papers, vol 1881. Springer, 2023. P. 353-356.

Препринт

Independent sets versus 4-dominating sets in outerplanar graphs

Taletskii D.

math. arXiv. Cornell University, 2023

Все публикации

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, 4 модуль

Преподаватель

Развенская Ольга Олеговна

Full Syllabus

Abstract

The study of this discipline is based on the following courses: • Block of mathematical disciplines; • Block of programming discipline. To master the discipline, students must possess the following knowledge and competencies: • Programming skills; • Calculus, Linear algebra, Probability and Statistics. The main provisions of the discipline can be used in their professional activities. As a result of mastering the discipline the student will be able to (results): - use Python for data forecasting with different regression models; - use Python for classification and clustering with different algorithms; - use Python for recommendation systems algorithms. https://www.coursera.org/learn/competitive-data-science

Learning Objectives

The purpose of the discipline is to get acquainted with programming tool Python for modern methods of data analysis and machine learning

Expected Learning Outcomes

Be able to choose the method of data processing and perform the data processing by the selected method
Be able to solve the problems of data analysis competitions
Be able to use Python for recommendation systems algorithms

Course Contents

Module 1 - Introduction to Machine Learning. Regression
Applications of Machine Learning. Supervised vs Unsupervised Learning. Python libraries suitable for Machine Learning. Linear Regression. Non-linear Regression. Model evaluation methods.
Module 2 - Classification and clustering
K-Nearest Neighbour. Decision Trees. Logistic Regression. Support Vector Machines. Model Evaluation. K-Means Clustering. Hierarchical Clustering. Density-Based Clustering.
Module 3 - Recommender Systems
Content-based recommender systems. Collaborative Filtering

Assessment Elements

On-line test
Examen
Экзамен проводится на платформах Zoom (https://zoom.us), MS Teams (https://teams.microsoft.com). Ссылка будет отправлена студентам за три дня до экзамена. Компьютер студента должен удовлетворять требованиям: наличие рабочей камеры и микрофона, поддержка Zoom и MS Teams. Для участия в экзамене студент обязан: поставить на аватар свою фотографию, явиться на экзамен согласно точному расписанию. Во время экзамена студентам запрещено: выключать камеру, пользоваться конспектами и подсказками. Кратковременным нарушением связи во время экзамена считается нарушение связи менее 5 минут. Долговременным нарушением связи во время экзамена считается нарушение 5 минут и более. При долговременном нарушении связи студент не может продолжить участие в экзамене. Процедура пересдачи аналогична процедуре сдачи.

Interim Assessment

Interim assessment (4 module)
0.3 * Examen + 0.7 * On-line test

Bibliography

Recommended Core Bibliography

Muller, A. C., & Guido, S. (2017). Introduction to machine learning with Python: a guide for data scientists. O’Reilly Media. (HSE access: http://ebookcentral.proquest.com/lib/hselibrary-ebooks/detail.action?docID=4698164)

Recommended Additional Bibliography

Sarkar, D., Bali, R., & Sharma, T. (2018). Practical Machine Learning with Python : A Problem-Solver’s Guide to Building Real-World Intelligent Systems. [United States]: Apress. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1667293

Applied Data Science with Python