Специализация СМ:
аннотации к спецкурсам 2020/2021
Список спецкурсов
Структура образования на профилях кафедры статистического моделирования, отделение Прикладной математики и информатики мат-меха.
Студенты обучаются на кафедре с 3-го по 4-й курсы на бакалавриате и потом два года в магистратуре.
На 3-м и 4-м курсах занятия очень плотные, свободных дней практически нет. В магистратуре занятия, как правило, укладываются в два дня в неделю.
Кафедра работает по профилю "Вычислительная стохастика и статистические модели" на бакалавриате и по профилю "Статистическое моделирование" в магистратуре.
В рамках профиля реализуются две специализации, СМ и САПР. Перечислим курсы СМ. + Раскрыть все - Свернуть все - Бакалавриант 3 курс
- + Годовой курс «Теория вероятностей»
(3 курс
5 семестр, 3 курс
6 семестр)
и
Годовой курс «Теория вероятностей» (3 курс, 5 и 6 семестры) для всего отделения читается кафедрой Теории Вероятностей и Математической Статистики. Общекафедральные практические занятия в нашей группе ведет наша же кафедра (в отличие от других кафедр отделения), что обеспечивает достаточно пристойное освоение студентами понятийных и технических аспектов этой науки. Курс теории вероятностей поддерживается, кроме того, курсовой работой по этому предмету.
- + Полугодовой курс «Дискретное моделирование»
(3 курс
5 семестр)
Дискретное моделирование, 5 семестр
- + Полугодовой курс «Моделирование распределений»
(3 курс
6 семестр)
Моделирование распределений, 6 семестр
- + Полугодовой курс «Выч. практикум»
(3 курс
5 семестр)
Вычислительный практикум, 5 семестр. Тех, слайды.
- + Полугодовой курс «Выч. практикум»
(3 курс
6 семестр)
Вычислительный практикум, 6 семестр. Практика по моделированию распределений.
- + Полугодовой курс «Введение в обработку данных»
(3 курс
5 семестр)
Введение в обработку данных, 5 семестр. Это начало обработки данных. Особенность состоит в том, что студенты, занимающиеся этими предметами, еще не знают в достаточной степени теорию вероятностей, но уже оперируют (в том числе и на практике) статистическими понятиями. Кроме статистических понятий, на семинаре идет ознакомление со статистическим языком программирования
R, а также графическим представлением данных с помощью языка R.
- + Полугодовой курс «Техника программирования»
(3 курс
5 семестр)
и полугодовой курс «Спец.выч. практикум»
(3 курс
5 семестр)
Спецвычпрактикум и Теория программирования (5 семестр). Начало базового курса по программированию на С++. На спецсеминаре дается теория, на занятиях в дисплейном классе – 8 учебных задач, от совсем простых к более сложным, в консольном режиме. Так как студенты приходят на специализацию с очень разным начальным уровнем, то цель первого семестра обучения программированию – выровнять этот уровень, дать возможность побороть комплекс «я не люблю, не умею и никогда не научусь» тем, кто совсем плохо умеет программировать, и создать базу для дальнейшего. Для студента, уже знающего C++ на требуемом уровне, после проведения тестирования, подтверждающего это, возможно индивидуальное задание, позволяющее ему развивать свои знания.
- + Полугодовой курс «Объектно-ориентированное программирование»
(3 курс
6 семестр)
и полугодовой курс «Спец. выч. практикум»
(3 курс
6 семестр)
Объектно-ориентированное программирование и спецвычпрактикум (6 семестр).
В качестве теории идет обучение объектно-ориентированному программированию на C++ (полсеместра).
На занятиях в дисплейном классе идет освоение Visual C++, MFC. Задание для компьютерной реализации включает в себя
создание одной большой программы с интерфейсом под Windows, реализующей моделирование и статистические процедуры.
Идет контроль за объектно-ориентированной организацией программы. Математическое наполнение программы требует понимания
ключевой в статистике вещи – проверки гипотез. Дополнительно идет ознакомление с TEX и дается задание по набору страницы
математического текста (делается акцент на стиль набора).
- Бакалавриант 4 курс
- + Годовой курс «Статистическое моделирование-1»
(4 курс
7 семестр, 4 курс
7 семестр)
Курс, основное направление которого – моделирование случайных величин, теория генераторов псевдослучайных чисел и метод Монте-Карло.
Кроме того, там читаются некоторые чисто вероятностные разделы, не входящие в общий курс «Теории вероятностей»
(или традиционно трудные для студентов).
- + Годовой курс «Основы теории случайных процессов»
(4 курс
8 семестр)
Общий курс по случайным процессам. В нем излагаются общие понятия и теория стационарных процессов и последовательностей.
- + Годовой курс «Актуарная математика»
(4 курс
8 семестр)
Курс посвящен моделям и процессам актуарной (страховой) математики.
- + Полугодовой курс «Задачи статистического анализа данных»
(4 курс
7 семестр)
Начальный курс прикладной статистики, включающий анализ одномерных и двумерных данных
- + Годовой курс «Анализ данных на компьютере»
(4 курс
8 семестр)
Обработка реальных данных с помощью компьютера. Пакет STATISTICA.
- + Полугодовой курс «Алг. методы моделирования систем»
(4 курс
8 семестр)
Курс посвящен методам моделирования в идемпотентной алгебре, исследованию идемпотентной алгебры с операциями особого вида, а также решению линейных уравнений в идемпотентной алгебре.
- + Полугодовой курс «Статистический анализ качественных признаков»
(4 курс
8 семестр)
Курс посвящен методам анализа качественных (категориальных) признаков, которые существенно отличаются от методов анализа количественных признаков и поэтому требуют отдельного изучения.
- +
Примеры практических применений теории случайных процессов
- + Полугодовой курс «Программирование для решения вероятностных задач»
(4 курс
7 семестр)
и
Происходит углубленное изучение C++, включая исключения, обобщенное программирование (шаблоны), библиотеку STL. Задание для компьютерной реализации – оптимизация, т.е. нахождения минимума функции многих переменных детерминированным методом и случайным поиском, с визуализацией. Заодно студенты знакомятся с общими принципами численной оптимизации – тема, не вошедшая в другие дисциплины специализации. - + Полугодовой курс «Современные средства и методы научной коммуникации в области статистического моделирования»
(4 курс
7 семестр)
В курсе собраны технологии оформления и презентации научных исследований.
- + Годовой курс «Выч. методы и пакеты в стат.исследованиях»
(4 курс
8 семестр)
Курс посвящен обучению студентов программированию статистических задач на языке R, специально предназначенном для этого.
Задания, на основе которых происходит обучение, используют новый современный вероятностный и статистический материал, не включенный в другие курсы.
- + Полугодовой курс «Подготовка и оформление научных исследований»
(4 курс
8 семестр)
На занятиях происходят доклады по темам выпускных работ, как подробные на всю пару, так и репетиции защит выпускных работ.
- +
Курс посвящен изучению методов решения различных задач при помощи параллельных алгоритмов. В качестве примера используются задачи математической физики. Также в курсе рассматривается устойчивость некоторых алгоритмов, опирающихся на метод Монте-Карло.
- + Полугодовой курс «Модельно-ориентированный анализ данных»
(4 курс
7 семестр)
Курс в статистическом цикле стоит особняком в связи с тем, что посвящен специальному разделу статистики – планированию эксперимента.
- + Полугодовой курс «Мат. модел. и обработка данных»
(4 курс
7 семестр)
Это базовый курс математической статистики, читаемый всему отделению. Он поддерживается практическими занятиями, имеющими специальную программу для студентов кафедры.
- Магистратура
- + Полугодовой курс «Многомерный анализ данных»
(5 курс
9 семестр)
Многомерный анализ данных, 9 семестр. Общий курс. Классические методы многомерного анализа.
Это курс лекций, где даются базовые сведения по статистическому анализу многомерных данных.
Основные изучаемые методы – анализ главных компонент (АГК), многомерная регрессия, классификация, кластерный анализ.
Курс служит базой для других курсов, в том числе, курсов по машинному обучению..
В частности, АГК часто используется в качестве метода feature extraction в методах машинного обучения. - + Полугодовой курс «Вероятностные и статистические модели»
(5 курс
9 семестр)
Вероятностные и статистические модели, 9 семестр. Общий курс для ПМИ, содержит базовые сведения о
теории вероятностей и математической статистике, а также их использовании для создания вероятностных моделей
и принятия решений в рамках этих моделей на основе реальных данных.
- + Полугодовой курс «Курс 2. Анализ многомерных данных на компьютере»
(5 курс
9 семестр)
Анализ многомерных данных на компьютере, 9 семестр. Практика в поддержку курса по многомерному анализу данных.
Целью курса является обучение применению теоретических знаний в области многомерной статистики к реальным данным
с помощью статистических пакетов, в частности, языка R. В курсе будут рассмотрены вопросы правильного применения методов анализа данных,
таких как дискриминантный анализ (классификация), кластерный анализ, анализ главных компонент.
Будет даваться много практических заданий, выполнять которые нужно на R (предпочтительно) или Python,
а на занятиях результаты будут обсуждаться в интерактивном режиме.
Фактически, занятия являются поддерживающей практикой к курсу лекций Многомерный анализ данных.
Предполагается знание базовой статистики: первичная статистика, проверка гипотез, меры зависимости.
Перед началом основного курса идет вводная часть, где рассматриваются примеры применения базовой статистики.
- + Полугодовой курс «Курс 1. Модели и методы исследования систем массового обслуживания»
(5 курс
9 семестр)
Модели и методы исследования систем массового обслуживания, 9 семестр.
В курсе рассматриваются модель реальных явления, таких как очереди, телефонные линии, прием заявок,
в виде системы массового обслуживания.
В курсе рассматриваются теория систем массового обслуживания (Queueing theory) и примеры ее применения.
- + Полугодовой курс «Курс 1. Главные компоненты временных рядов»
(5 курс
10 семестр)
Главные компоненты временных рядов, 10 семестр. Курс посвящен методу SSA.
Целью дисциплины «Главные компоненты временных рядов» является дать обучающемуся теоретические основы и
методологию применения метода анализа сингулярного спектра (метода главных компоненты для временных рядов)
для анализа и прогноза временных рядов. Будут рассмотрены вопросы выделения тренда, выделения периодик,
разложения ряда на интерпретируемые компоненты, прогноз компонент ряда, оценивание параметров,
обнаружение разладки (change point detection).
Также рассмотрим многомерные обобщения метода, в частности, для анализа цифровых изображений.
- + Полугодовой курс « Курс 4. Введение в имитационное моделирование: моделирование случайности»
(5 курс
10 семестр)
Введение в имитационное моделирование: моделирование случайности, 10 семестр.
Принципы и характеристики моделирования. Табличные методы моделирования дискретных распределений.
Дискретные распределения, зависящие от параметра (нетабличные методы).
Общие методы моделирования (метод обратных функций, метод дискретной декомпозиции, метод отбора),
моделирование наиболее часто встречающихся распределений.
Курс для тех, у кого не было статистического моделирования в бакалавриате.
- + Полугодовой курс « Курс 3. Интеллектуальный анализ данных»
(5 курс
10 семестр)
Интеллектуальный анализ данных, 10 семестр.
Целью дисциплины является формирование навыков исследования больших данных, направленных на решение типичных задач,
возникающих во время статистического исследования с использованием пакетов языка R.
Будут рассмотрены задачи классификации, регрессии, снижения размерности, кластеризации,
resampling, линейные модели и регуляризация, нелинейные модели в задачах регрессии и классификации.
На каждую тему обучающийся получает индивидуальное задание, которое должен выполнить на языке R и уметь объяснить и обосновать результаты.
- + Полугодовой курс « Курс 2. Статистический анализ временных рядов»
(5 курс
10 семестр)
Статистический анализ временных рядов, 10 семестр. Практика к лекциям по SSA и классические методы анализа временных рядов.
Целью дисциплины является создание общего представления об анализе временных рядов в практических задачах.
Будут рассмотрены задачи сглаживания, выделения тренда, сезонного разложения, фильтрации,
прогноза методами скользящего среднего, авторегрессионным подходом, анализом сингулярного спектра, методами LOESS, STL и другими.
Обучающийся должен получить представление, как правильно выбрать метод для конкретного временного ряда.
В процессе изучения дисциплины каждый получит практическое задание анализа и прогноза реального временного ряда,
которое выполняется на языке R или Python.
Результаты выполнения обсуждаются в интерактивном режиме на занятиях.
|