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:: Маго-лего

Когда читается:: 3 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
Module 2 - Classification and clustering
Module 3 - Recommender Systems

Assessment Elements

Итоговый тест
Итоговый тест на знание основных терминов и понятий из курса
Отчет

Interim Assessment

2022/2023 3rd module
0.5 * Отчет + 0.5 * Итоговый тест

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

Time Series Analysis with Python