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 efficient algorithms for bottleneck path problems with many sources
В печати

Каймаков К. В., Malyshev D.

Optimization Letters. 2024. P. 1-11.

Глава в книге

Neural Networks for Speech Synthesis of Voice Assistants and Singing Machines

Pantiukhin D.

In bk.: Integral Robot Technologies and Speech Behavior. Newcastle upon Tyne: Cambridge Scholars Publishing, 2024. Ch. 9. P. 281-296.

Препринт

DAREL: Data Reduction with Losses for Training Acceleration of Real and Hypercomplex Neural Networks

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

NeurIPS 2023 Workshop. ZmuLcqwzkl. OpenReview, 2023

Все публикации

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

Статус:: Курс по выбору

Когда читается:: 4-й курс, 1 модуль

Преподаватель

Пономаренко Александр Александрович

Полная версия программы учебной дисциплины

Аннотация

Дисциплина относится к блоку специальных дисциплин подготовки по данному направлению. В рамках данного курса учащийся получит представление о подходах к построению поисковых и рекомендательных систем.

Цель освоения дисциплины

Знать методы ранжирования
Понимать и уметь применять алгоритм word2vec
Понимать технологии SemanticWeb
Понимать методы измерения семантической близости

Планируемые результаты обучения

Знать основные алгоритмы ранжирования
Знать принципы построения современных поисковых систем
Понимать и уметь использовать алгоритм word2vec, doc2vec. Понимать чем они отличаются. Знать их свойства.
Понимать модель Vector Space Model

Содержание учебной дисциплины

Архитектура и общие принципы работы поисковых систем
Vector Space Model
Латентно семантический анализ
WordNet и SemanticWeb
Вложения текстов в векторные пространства: Word2Vec, Doc2Vec
Алгоритмы ранжирования на основе топологии сети

Элементы контроля

Линейная регрессия
Придумайте 2 числовые характеристики, которые могут описывать объект. Объектом может быть человек или предмет. С их помощью опишите 8 объектов. Так вы получите 8 точек в 2-мерном пространстве. Нарисуйте эти точки на графике. Постройте линейную регрессию для этих признаков. Нарисуйте её на том же графике с точками.
Логистическая регрессия
Обучите логистическую регрессию для классификации текстов на 2 класса. Для каждого класса выведите 30 самых важных слов. На практическом занятии мы использовали набор данных русских отзывов. Возьмите какой-нибудь другой набор данных. Набор данных разделите на тренировочный и тестовый. Размер тестового набора возьмите 20%. Выведите отчёт о классификации (from sklearn.metrics import classification_report) для тестового набора данных.
Пространственные вложения
"Данны координаты 9 точек на плоскости с группированные в 3 группы: [ (-1, -1), (-1.2, -1), (-0.9, -0.9) ], [ (-1, 1), (-1.2, 1), (-0.9, 0.9) ], [ (1, 1), (1.2, 1), (0.9, 0.9) ] Мы хотим построить классификатор вида softmax(Ax), который выдаёт принадлежность точки x c одному из 3х классов, соответсвующих группе. Другими словами на выходе классификатора ожидается вектор из трёх компонет, вида (1,0,0) для 1го класса, (0,1,0) для 2го и для 3го (0,0,1). 1) Найдите матриу A (13 баллов). 2) На какое максимальное число классов можно разбить точки, сгруппированные подобным образом (кучками на плоскости), используя преобразование softmax(Ax) (5 баллов)."
Обучение ранжированию
Возьмите один из наборов данных предназначенных для построения рекомендательных систем и постройте функцию ранжирования используя подход "обучение ранжированю". В качестве набора данных берите, не такой как взяли ваши одногруппники. Разделите на train, test. Оцените значения метрик recall, precision для вашего набора данных на test.

Промежуточная аттестация

2022/2023 учебный год 1 модуль
0.25 * Пространственные вложения + 0.25 * Линейная регрессия + 0.25 * Логистическая регрессия + 0.25 * Обучение ранжированию

Информационный поиск и извлечение данных

Преподаватель

Программа дисциплины

Аннотация

Цель освоения дисциплины

Планируемые результаты обучения

Содержание учебной дисциплины

Элементы контроля

Промежуточная аттестация

Список литературы

Рекомендуемая основная литература

Рекомендуемая дополнительная литература