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

Теория вероятностей и математическая статистика. 2-е изд.

Колданов А. П., Колданов П. А.

М.: Издательский дом НИУ ВШЭ, 2024.

Статья

Finding Weakly Correlated Nodes in Random Variable Networks

Koldanov P., Alexander Koldanov, Semenov D.

Operations Research Forum. 2024. Vol. 5.

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

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 обязательный

Когда читается:: 1-й курс, 2 модуль

Преподаватели

Асеева Наталья Владимировна

Савченко Людмила Васильевна

Full Syllabus Ask Question

Abstract

The course is devoted to the presentation of modern data analysis and machine learning methods that are widely used in computer vision. The main emphasis is placed on such sections as learning and inference in vision. A taxonomy of models that relate the measured image data and the actual scene content is studied. Generative and discriminative models Classification, regression and clustering methods.

Learning Objectives

Mastering theoretical background of machine learning.
Obtaining skills of the correct selection of methods for solving the problem

Expected Learning Outcomes

Distinguish the main tasks of machine learning
Process tabular data
• Train and validate linear models for classification and regression problems
• Apply regularization to address overfitting
• Train and validate decision tree models for classification and regression problems
• Distinguish components of learning error
• Train and validate KNN model
• Apply dimensionality reduction to data
• Perform cluster analysis
• Train MLP for supervised learning taks

Course Contents

Introduction to Machine Learning
Linear Models
Decision Trees
Ensemble Learning
Unsupervised Learning
Introduction to Artificial Neural Networks
Final Task with instructor’s evaluation

Assessment Elements

Exam
Тest

Interim Assessment

2024/2025 2nd module
0.5 * Exam + 0.5 * Тest

Bibliography

Recommended Core Bibliography

Christopher M. Bishop. (n.d.). Australian National University Pattern Recognition and Machine Learning. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.EBA0C705
Computer vision : models, learning, and inference, Prince, S. J. D., 2012
Introduction to machine learning, Alpaydin, E., 2020
Machine learning : a probabilistic perspective, Murphy, K. P., 2012
McKinney, W. (2018). Python for Data Analysis : Data Wrangling with Pandas, NumPy, and IPython (Vol. Second edition). Sebastopol, CA: O’Reilly Media. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1605925
Müller, A. C., & Guido, S. (2017). Introduction to Machine Learning with Python : A Guide for Data Scientists: Vol. First edition. Reilly - O’Reilly Media.
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

Core data analysis : summarization, correlation, and visualization, Mirkin, B., 2019

Data Analysis and Machine Learning