Семинар

«Стохастические методы оптимизации»

профессора математико-механического факультета СПбГУ

Граничина Олега Николаевича

 

Семинар 2009-2010 учебного года (осень) "Стохастическое программирование"

Научный семинар проф. О.Н.Граничина

Семинар «Стохастическое программирование», осень 2009, 5 курс, аспиранты
(четверг, 9.30-11.05 ПУНК ауд. 3526)

№№

Дата, Место

Название

Отв.

Докл.

Литература

Практ.задание

1

03.09 9.30 3526

Введение

Граничин

 

 

-

2

10.09 9.30 3526

Рандомизированные алгоритмы стохастической аппроксимации при отсутствии у неопределенностей второго статистического момента

 

Вахитов

 

-

3

17.09 9.30 3526

Математическое обеспечение для разработки и анализа систем распознавания образов, использующих рандомизированные алгоритмы

 

Шалымов

 

-

4

24.09 9.30 3526

Облачные вычисления

 

Васильев

 

-

5

01.10 9.30 3526

Аспирантские проекты

Граничин

Васильев, Павленко, Любимов, Данилова, Косырева

 

-

6

08.10 9.30 3526

Системы защиты коммерческого ПО под ОС Linux

 

Теплых

 

-

7

15.10 9.30 3526

Compressive sensing

Граничин

Антал, Павленко, Минин

 

-

8

22.10 9.30 3526

Адаптивные специализированные (операционные) системы с P2P взаимодействием

Граничин

Васильев, Косырева, Амелин, Граничина

 

-

9

29.10 9.30 3526

Виртуальная примерочная

 

Гачков

 

-

10

05.11 9.30 3526

Применение алгоритма SPSA для оптимизации операций по обмену валюты

 

Зайцев

 

-

11

12.11 9.30 3526

Адаптация размера шага рандомизированного алгоритма стохастической аппроксимации?

 

Гуревич

 

-

12

19.11 9.30 3526

 

 

 

 

-

13

26.11 9.30 3526

 

 

 

 

-

14

03.12 9.30 3526

 

 

 

 

-

15

10.12 9.30 3526

 

 

 

 

-

16

24.12 9.30 3526

 

 

 

 

-

Литература:
1. Граничин О.Н., Поляк Б.Т. «Рандомизированные алгоритмы оптимизации и оценивания при почти произвольных помехах»
2. Кушнер Дж, Ин Г. «Stochastic Approximation and Recursive Algorithms and Aplications»
3. Спал Д. «Стохастическая оптимизация»
4. Федин Д. – сб.3
5. Волкович Я. – сб.1, Краснощеков В. -– сб. 2
6.Позняк А. – доклад на конференции в ИПУ в 2005 году
7. Лопатин – сб.1
8. Borkar “Stochastic Approximation”

Посещаемость

№№

ФИО

Е-mail

03.09

10.09

17.09

24.09

1

Елизаров Егор Алексеевич

 

-

 

 

 

2

Морозков Михаил Андреевич

 

-

 

 

 

3

Теплых Дарья Анатольевна

 

+

 

 

 

4

Загорский Антон Викторович

 

-

 

 

 

5

Мухин Михаил Александрович

 

-

 

 

 

6

Петров Александр Георгиевич

 

+

 

 

 

7

Федяшов Виктор Алексеевич

 

-

 

 

 

8

Шевченко Андрей Игоревич

 

-

 

 

 

9

Подкорытов Сергей Алексеевич

 

+

 

 

 

10

Кудасов Федор Сергеевич

 

+

 

 

 


Cеминар Д.С.Шалымова "Кластерный анализ данных"

Кластерный анализ данных






Внимание!
Занятия в этом семестре будут проходить на В.О. в ауд. 36 на четвертой паре
Также на этот сайт можно заходить с более простых доменов:
www.clusterization.ru
www.clusteringcourse.com





Курс знакомит слушателей с проблемами кластерного анализа данных. Рассматриваются методы, инструментальные средства и применение кластерного анализа в прикладных задачах. Описание каждого метода сопровождается конкретным примером его использования. Рассматриваются методы интеллектуального анализа данных: иерархические и итеративные кластерные модели, деревья принятия решений, нейронные сети, методы обучения с подкреплением, комбинированные методы. Обсуждаются методы оптимального выбора параметров алгортимов кластеризации и способы визуализации данных. Анализируется рынок аналитического программного обеспечения, описываются продукты от ведущих производителей систем кластерного анализа, обсуждаются их возможности. Курс включает в себя курсы по Data Mining, машинному обучению и самообучающимся системам.

Кластеризация – одно из наиболее часто проявляющихся свойств разнообразных наборов данных, процессов, систем, широко используемое при решении многочисленных задач обработки данных, в том числе при распознавании образов, машинном обучении, автоматической классификации, выработке стратегий управления, исследовании ДНК, исследовании элементов биоразнообразия и др. В настоящее время активно развиваются способы определения кластеров в множестве. Обобщенно их называют алгоритмы кластеризации. Обычно в  процессе  работы алгоритма кластеризации множество данных разбивается на группы. Принадлежность объекта к группе математически обычно определяется с помощью функций (метрик), которые задают критерий схожести объектов.
Результатом работы алгоритма кластеризации является разбиение с наилучшим качеством. Наиболее развиты методы off-line кластеризации, при которых зачастую требуется длительный процесс обучения. Но при изменении структуры кластеров с течением времени эти методы оказываются неработоспособными, что делает их непригодными во многих задачах адаптивного управления, в задачах с динамическим изменением параметров и т. п. Становятся актуальными проблемы построения эффективных on-line алгоритмов кластеризации. Целью данного курса является изучение классических алгоритмов кластерного анализа, обзор новых методов on-line и off-line кластеризации, а также обсуждение современных практических задач.

Программа курса

  1. Введение в кластерный анализ. Статистика, интеллектуальный анализ данных и кластеризация. Основные понятия теории вероятностей.
  2. Методы математической статистики. Оценка параметров распределения. Проверка статистических гипотез. Анализ статистических зависимостей.
  3. Измерение расстояний. Метрики. Типы свойств.
  4. Иерархическая кластеризация. Агломеративный и дивизимный подходы.
  5. Кластеризация на основе разбиений. Алгоритм K-средних. Нечеткая кластеризация. Подход на основе графов.
  6. Кластеризация на основе нейронных сетей.
  7. Кластеризация на основе ядер. Анализ данных на основе ядер. Кластеризация и метод опорных векторов.
  8. Кластеризация многомерных данных большого объема. Метод произвольной выборки. Инкрементальная кластеризация.
  9. Визуализация многомерных данных. Алгоритмы линейного и нелинейного проектирования. Кластеризация подпространств.
  10. Валидность и устойчивость кластеризации. Внешний, внутренний и относительный критерии.
  11. Статистика в бизнесе. Практическая статистика. Предварительный анализ одномерных выборок. Построение гистограмм и подбор распределений.
  12. Оценка параметров распределений. Параметрические и непараметрические оценки. Проверка гипотез о параметрах. Сравнение одномерных выборок.
  13. Корреляционный и регрессионный анализ. Прогнозирование. Моделирование случайных величин.
  14. Интеллектуальный анализ данных. Системы поддержки принятия решений. Хранилище данных. OLAP-системы.
  15. Визуальный анализ данных. Анализ текстовой информации. Стандарты Data Mining.
  16. Распределенный анализ данных. Анализ данных в реальном времени. Извлечение знаний из Веб. Средства анализа процессов.

Семинар 2008-2009 учебного года (весна) "Стохастические методы оптимизации в информатике"

Семинар «Методы стохастической оптимизации в информатике», весна 2009, 4 курс
(четверг, 9.30-11.05 ПУНК ауд. 2516)
Цели и задачи: в продолжении вводного курса лекций изучить алгоритмы стохастической оптимизации с доказательствами их свойств и выполнить 10 практических заданий

№№

Дата, Место

Название

Отв.

Докл.

Литература

Практ.задание

1

12.02 9.30 2516

Введение

Граничин

 

 

-

2

19.02 9.30 2516

Оценивание параметров линейной регрессии

Вахитов

Петров

[1]c.97-104, 142-155

-

3

26.02, 9.30 2516

Экспериментальные результаты

Краснощеков

Елизаров Е.

[1]c.133-136, 191-193, [4]

test1

4

05.03

Идентификация динамического объекта

Власов

Ираклии Мирабишв.

[1]c.105-119

test2

5

12.03

Адаптивная l_1 оптимизация

Павленко

Минин И.

[1]c.194-211

test3

6

19.03

Фильтрация в линейном случае

Гуревич

 

[1]c.120-132, 137-142

test4

7

26.03

Ранд. Алгоритмы с 1-м и 2-мя измерениями

Шалымов

 

[1]c. 156-167, 179-184

test5

8

02.04

Опт.скорость сходимости

Екатерина Антал

 

[1]c. 168-174, 184-187

test6

9

09.04

Модификации алгоритмов СА

Морозков Михаил

 

[1] c. 67-74

test7

10

16.04

Равновесие по Стакелбергу-Нэшу

Косырева О.

 

[6]

test8

11

23.04

Q-обучение, reinforcement learning

Халидов В.

 

[2], [8] с. 125-131

test9

12

30.04

Антенные фазированные решетки

 

Теплых Д.

[2]

test10

13

07.05

Метод Отжига

Павленко

Степанов Е.

[3], [7]

-

14

14.05

Генетические алгоритмы

 

 

[3]

-

15

21.05

Заключение

Граничин

 

 

-

16

28.05

Зачет

Граничин

 

 

Список группы

Литература:
1. Граничин О.Н., Поляк Б.Т. «Рандомизированные алгоритмы оптимизации и оценивания при почти произвольных помехах»
2. Кушнер Дж, Ин Г. «Stochastic Approximation and Recursive Algorithms and Aplications»
3. Спал Д. «Стохастическая оптимизация»
4. Федин Д. – сб.3
5. Волкович Я. – сб.1, Краснощеков В. -– сб. 2
6.Позняк А. – доклад на конференции в ИПУ в 2005 году
7. Лопатин – сб.1
8. Borkar “Stochastic Approximation”

Семинар 2008-2009 учебного года (осень) "Коллективные стратегии"

Состоявшиеся доклады

Доклады, которые готовятся к прочтению:

  • 18 декабря 2008. Екатерина Найденышева. Intelligent Agents: Theory and Practice, Knowledge Engineering Review
  • 18 декабря 2008. Холтыгин Сергей. 4. A Taxonomy for Autonomous Agents + A taxonomy for multi-agent robotics
  • 18 декабря 2008. Дзюба Фёдор. 7. Adaptation and evolution in dynamic persistent environments
  • 18 декабря 2008. Горохов Александр. 12. Task decomposition, dynamic role assignment, and low-bandwidth communication for real-time strategic teamwork

Список статей, рекомендованных для докладов на семинаре «Командные стратегии»:
0. http://www.csc.liv.ac.uk/~mjw/pubs/imas/teaching.html Teaching Resources for "An Introduction to Multiagent Sstems"
1. http://www.msci.memphis.edu/~franklin/AgentProg.html Is it an Agent, or just a Program?: A Taxonomy for Autonomous Agents + A taxonomy for multi-agent robotics (1996) http://www.cs.yorku.ca/~jenkin/papers/1996/kswarm.pdf by Gregory Dudek, Michael R. M. Jenkin, David Wilkes
2. Обучение роботов групповой работе с общими целями. А.В. Иванов, С.В. Серебряков, Л.А. Станкевич, А.В. Яковлев
3. Управление относительным движением группы слабосвязанных объектов. В.Е Куприянов, Н.Г Новикова
4. http://www-cdr.stanford.edu/NextLink/Expert.html Agent-Based Engineering, the Web, and Intelligence
5. Market-Driven Multi-Agent Collaboration in Robot Soccer Domain by Hatice Kose, Kemal Kaplan, Cetin Mericili, Utku Tatlidede & Levent Akin
6. Indirect computation in Environments for Multy-Agent Systems by David Keil, Dina Goldin
7. Adaptation and evolution in dynamic persistent environments by David Keil, Dina Goldin
8. Modeling Indirect Interaction in Open Computational Systems by David Keil, Dina Goldin
9. http://www.csc.liv.ac.uk/%7Emjw/pubs/ker95/ker95-html.html Wooldridge M. and Jennings, N.R., Intelligent Agents: Theory and Practice, Knowledge Engineering Review, 10 (2), 115-152, 1995
10. http://www.ieeta.pt/~lsl/interestingstuff/candea-ras.pdf Сoordination in Multi-Agent RoboCup Teams.
11. http://cswww.essex.ac.uk/staff/hhu/Papers/SPIE1998.pdf Сoordination of Multiple Mobile Robots via Communication by Huosheng Hu, Ian Kelly, David Keating, David Vinagre
12. http://www.cs.utexas.edu/users/pstone/Papers/bib2html/../bib2html-links/AIJ99.ps Task decomposition, dynamic role assignment, and low-bandwidth communication for real-time strategic teamwork (1999)
13. Layered Learning in Multi-Agent Systems By Peter Stone
14. http://www.cs.utexas.edu/~pstone/Papers/bib2html-links/LNAI2007-ahmadi.pdf Instance-Based Action Models for Fast Action Planning By Peter Stone
15. http://www.er.ams.eng.osaka-u.ac.jp/Paper/2002/Ikenoue02a.pdf Cooperative behavior acquisition by asynchronous policy renewal that enables simultaneous learning in multiagent environment by Shoichi Ikenoue, Minoru Asada, and Koh Hosoda
16. http://www.er.ams.eng.osaka-u.ac.jp/Paper/2005/Mitsunaga05a.pdf Cooperative behavior based on a subjective map with shared information in a dynamic environment by Noriaki Mitsunaga, Taku Izumi, and Minoru Asada.
17. http://mcs.open.ac.uk/pi56/publications/iravani_arob_05.pdf Robotics and the q-analysis of behaviour by Pejman Iravani, Jeff H. Johnson, and Lucia Rapanotti
18. Multiagent Matching Algorithms with and without coach. Frieder Stolzenburg, Jan Murray, Karsten Sturm

Семинар 2007-2008 учебного года "Распознавание образов"

Аннотация

Распознавание образов – одна из основных проблем искусственного интеллекта. В процессе биологической эволюции многие животные с помощью зрительного и слухового аппарата научились достаточно хорошо решать данную задачу. Однако создание искусственных систем распознавания образов остаётся сложной теоретической и технической проблемой. Необходимость в таком распознавании возникает в самых разных областях — от военного дела и систем безопасности до оцифровки всевозможных аналоговых сигналов.

Процесс распознавания

Процесс автоматического распознавания образов, как правило, сотоит из двух основных частей - выделение свойств и сопоставление полученного набора свойств с конкретным классом. Для выделения свойств чаще всего используют преобразование Фурье и вейвлет-преобразования. Для сопоставления с классами в основном используются нейронные сети, скрытые марковские модели (HMM), Support Vector Machines (SVM), и т.д.

Полезные ссылки

Книги по распознаванию образов на английском:
http://www.badongo.com/file/8608012
http://www.badongo.com/file/8608205
http://www.badongo.com/file/8608408
http://www.badongo.com/file/8608483

Еще одна полезная ссылка.
http://kolho3.tiera.ru/

Адрес этого семинара в Google Groups:
http://groups.google.ru/group/pattern-recognition-problems

Расписание докладов

Доклады на 7 марта:
- Андрей Губичев, "Распознавание строк печатных текстов"
- Наталья Крушатина, "АЛГОРИТМЫ ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ РАСПОЗНАВАНИЮ ИЗОБРАЖЕНИЙ ПО РАВНОМЕРНОМУ КРИТЕРИЮ"

Доклады на 21 марта:
- Анастасия Гомера, "Методы распознавания грубых объектов"
- Андрей Тетерин, "Основные понятия и математический аппарат теории вейвлет преобразований"

Доклады на 28 марта:
-Наталья Граничина, "Распознавание типовых портретных изображений в задаче автоматической классификации"
-Алексей Фомин, "Алгоритмы автоматического захвата лиц"

Доклады на 4 апреля:
-Екатерина Насырова, "МЕТОДЫ ИНТЕРАКТИВНОЙ ВИЗУАЛИЗАЦИИ И ОБРАБОТКИ ТРЕХМЕРНЫХ ДАННЫХ НА ОСНОВЕ ИЗОБРАЖЕНИЙ"
-Зайцева Мария, "Распознавание скелетных образов"
-Мурашова Ксения, "Сегментация рукописных символов"

Доклады на 11 апреля:
-Алексей Павельчук, "Методы классификации с обучением по прецендентам в задаче распознавания объектов на изображениях"
-"Распознавание вьетнамских текстов"
-"Выделение и распознавание лиц на изображении"

Доклады на 25 апреля:
-Ольга Башурова, "Распрямление текстовых строк на основе непрерывного гранично-скелетного представления изображений"
-Марина Пахнушева, "Стохастическая геометрия"
-Валерия Старастович, "Сегментация штрихов и их соединений при распознавании рукописного текста"
-"Грубое совмещение изображений по найденным на них прямым линиям"

Семинар 2006-2007 учебного года

Доклады

1. Вениамин Краснощеков, асп. Оптимизация энергопотребления мобильных аппаратов.

2. Александр Дольник, студент 5к. Поиск по изображениям. (Краткое содержание доклада будет выложено отдельной ссылкой)
В ходе изучения материалов связанных с моей дипломной работой: текстовые запросы в частично-аннотированной и не аннотированной базах данных изображений",- я натолкнулся на ряд статей, которые было бы интересно обсудить в рамках этого семинара. Задача поиска статических изображений продолжает оставаться крайне актуальной на протяжении последних десятилетий. Несмотря на неослабевающий интерес
исследователей и большое количество работ в данной области есть еще много
открытых вопросов и нерешенных задач.
Во многих алгоритмах используются также и стохастические методы оптимизации.

В ходе доклада будут рассмотрены методы, предложенные в статьях
Enhancement of Textual Images Classification using Segmented Visual Contents for Image Search Engine" Sabrina Tollari, Herv_e Glotin, Jacques Le Maitre
Fast image auto-annotation with visual vector approximation clusters" Herv´e Glotin and Sabrina Tollari
Диссертация 1999 года (весьма актуальная и по сей день, так как человеческое восприятие меняется не так быстро): Perceptual metrics for image database navigation" Yossi Rubner
"The capacity and the sensitivity of color histogram indexing" Makrus Stricker

3. Елена Аксенова, Антон Тарасюк (Карелия, асп.). Некоторые задачи управления динамическими структурами данных
В докладе представлены задачи управления одним и двумя стеками в двухуровневой памяти, двумя и тремя циклическими очередями, приоритетной очередью и приоритетной очередью с динамически изменяющимися приоритетами (Подробнее см. Е. Аксенова,статья в сборнике 2006А. Тарасюк, статья в сборнике 2006).

4. Александр Вахитов, Антон Нестеров, ст. 5 к., Мария Кантерина, ст. 4 к. Задача и алгоритмы интерактивного определения таксономических объектов
Задача проистекает из определения биологических видов жуков по их внешним признакам. Таксономия - это иерархическая система классификации (биологическая классификация - хороший пример). Задача - определить положение в таксономии некоторого объекта. При этом существует некоторый набор признаков, который сортируется в порядке <значимости для классификации> (признак тем выше, чем скорее определение его ведет к определению вида идентифицируемого объекта).

5. Александр Вахитов, ст. 5 к. Алгоритмы балансировки на основе методов стохастической аппроксимации
В докладе будет содержаться вводная информация относительно интерпретации метода по обсуждавшейся неделю назад книге Кушнера и Инн, так что предварительных знаний практически не требуется. Кроме того, будут поставлены задачи и дано интуитивное представление о методах их решения. Планируется начать с рассмотрения задачи о маршрутизаторе
(см. книгу Граничин, Поляк)

6. Ле Чунг Хьеу, ст. 5 к. Q-routing based on Q-learning

7. Ле Чунг Хьеу, ст. 5 к. Reinforcement Learning

8. Вячеслав Филиппов, ст. 5 к. //Animal learning //
Задача состоит в следующем. Хищник сидит в логове. Время от времени в зоне его видимости появляется жертва. Жертвы бывают упитанные или худосочные, а обнаруживаются далеко или совсем рядом. Какое поведение выбрать, чтобы оказаться максимально сытым?

9. Александр Вахитов, ст. 5 к. Средства интеграции стохастических алгоритмов решения задач информатики.
Планируется обсудить разрабатываемый инструмент, который позволит определить задачи, алгоритмы, их решающие, строить схемы из нескольких параллельно работающих алгоритмов (такая необходимость возникает при решении сложных задач), определять "сведение" одной задачи к другой. Основной практической целью является унификация разработанных нами
программ и обеспечение их запуска через Интернет. Обсуждение будет проводится в контексте создания портала группы на
основе современных ИТ.

10. Мария Кантерина, ст. 5 к. Аппроксимации значений функции
В докладе отражается такой тип задач, который посвящен оценкам значений функции и оптимального контроля в условиях не эффективного применения аналитической модели. Рассмотренная же задача касается аппроксимации значений ф-ций для фиксированного управления процессом, и вовлечения соответственных внешних помех (шумов). Такой метод используется как основа рекурсивных алгоритмов, которые приближают к оптимальному управлению полученную последовательность управлений с помощью логики аппроксимации в пространстве стратегий или же с помощью других методов.

11. Лев Гуревич, Александр Вахитов, ст. 5 к. Применение методов стохастической аппроксимации к задачам
информационного поиска: слияние новостей + поиск по картинкам
В докладе будут предложены методы адаптации под пользователя для поиска по картинкам различными методами по разным источникам, а также - отображение новостей, интересующих пользователя больше всего, через адаптивное слияние информации от разных агентств.

12. Ольга Евтифеева, ст. 4 к. //Как повысить эффективность обслуживания сервером очереди заданий. //
Неформальная постановка задачи следующая: Есть сервер, на который поступают задания неокторым случайным образом. В наших руках находится некоторый параметр, от которого зависит порядок или условия обработки заданий (например, такт, на котором происходит прерывание и переход к следующему в очереди заданию). Также есть некоторая функция оценки работы сервера. Общая задача - найти значение параметра, при котором достигается минимум этой функции.
Однако, такая задача слишком сложна и не всегда корректна - оптимальное значение параметра может "дрейфовать" (отличаться в зависимости от суток, времени года и т.п.) Поэтому вторая задача - научиться "подстраивать" этот параметр на протяжении работы. Для этого используются рандомизированные алгоритмы стохастической оптимизации.

13. Мария Кантерина, ст. 4 к. Математическое и имитационное моделирование системы обработки платёжных документов ЦБ РФ
Используются корреляционный и регрессионный анализы для моделирования системы обработки платёжных документов ЦБ РФ. Модель необходима для прогнозирования загрузки серверов на будущее.

14. Сергей Сынтульский, ст. 5 к. …

15. Алексей Федоров, ст. 3 к.Динамические системы. Круговой критерий для дискретных ДС и его применение
В первой части я немного расскажу о динамических системах (ДС), дам
несколько определений и расскажу, почему этот аппарат, - аппарат ДС,-
очень часто используется и постоянно всплывает в совершенно разных
областях. Эта часть будет болтологическо-теоретической.
Во второй, скорее практической, части я немного расскажу о том, чем я
занимаюсь у Леонова. Сначала приведу простенькую теоремку ("круговой
критерий для дискретных систем"), а потом покажу ее применение на
несложной одномерной модели.

16. Елена Сивоголовко, ст. 5 к. Последние разработки в области кластеризации
17. Дмитрий Шалымов, аспирант. Распознавание арабских текстов (по материалам статьи в сборнике "Стохастическая оптимизация в информатике" #3)

Интересные ссылки
Статья про память основанную на свертке
А.С. Матвеев, Управление с затратами на коммуникацию

Семинар 2005-2006 учебного года

Семинары 2003-2005 уч. гг.

 

пятница 20.05.2005,

11.15

ПУНК, мат.-мех., ауд. 3522

Применение рандомизированных методов для программной и аппаратной оптимизации при генерации вычислительных устройств

Якушкин С.И.

sergey.yakoushkin@intel.com

аспирант 1к. мат.-мех.

пятница 13.05.2005,

11.15

ПУНК, мат.-мех., ауд. 3522

Real Time JVM

Первышев К.

tpc@mail.ru

студент 5к.

мат.-мех.

пятница 6.05.2005,

11.15

ПУНК, мат.-мех., ауд. 3522

"Метод скоростного градиента в задаче о движении снаряда в жидкости на околозвуковой скорости"

Никулин Илья

аспирант 1к. мат.-мех.

пятница 29.04.2005,

11.15

ПУНК, мат.-мех., ауд. 3522

Обобщение концепции машины Тьюринга

Макаров Антон toha_m@mail.ru

 

студент 5к.

мат.-мех.

пятница 22.04.2005,

11.15

ПУНК, мат.-мех., ауд. 3522

Рандомизированный подход к обнаружению разрывов функции

Халидов Василь

vasya@IH6208.spb.edu

студент 5к.

мат.-мех.

пятница 15.04.2005,

11.15

ПУНК, мат.-мех., ауд. 3522

О ядре ИРАИС СПбГУ

Федин Д.

DmitryFedin2@rambler.ru

студент 5к.

мат.-мех.

пятница 8.04.2005,

11.15

ПУНК, мат.-мех., ауд. 3522

О моделировании редких событий и тестировании сервера

Чуйко Дмитрий

tp@pisem.net

аспирант 1к. мат.-мех.

пятница 1.04.2005,

11.15

ПУНК, мат.-мех., ауд. 3522

Информационные модели организации контроля учебного процесса

Комаров Станислав Николаевич

stas@eye.spbu.ru

Зам. Директора НИИ ИТ

пятница 25.03.2005,

11.15

ПУНК, мат.-мех., ауд. 3522

О моделировании редких событий и тестировании сервера

Чуйко Дмитрий

tp@pisem.net

аспирант 1к. мат.-мех.

пятница 18.03.2005,

11.15

ПУНК, мат.-мех., ауд. 3522

Информационные модели организации контроля учебного процесса

Комаров Станислав Николаевич

stas@eye.spbu.ru

Зам. Директора НИИ ИТ

пятница 11.03.2005,

11.15

ПУНК, мат.-мех., ауд. 3522

Информационные модели организации контроля учебного процесса

Комаров Станислав Николаевич

stas@eye.spbu.ru

Зам. Директора НИИ ИТ

 

 

четверг 9.12.2004,

11.15

ПУНК, мат.-мех., ауд. 1522

"Обобщения машины Тьюринга" 

Макаров Антон toha_m@mail.ru

 

студент 5к.

мат.-мех.

четверг 2.12.2004,

11.15

ПУНК, мат.-мех., ауд. 1522

"О нестандартном анализе"

William C. Davidon, Haverford College Another View of Nonstandard Analysis
Joseph Y. Halpern Lexicographic probability, conditional probability, and nonstandard probability// 2003 ,
Peter J. Hammond Elementary Non-Archimedean Representations of Probability for Decision Theory and Games// 2003

Шабунин Андрей shandr@pisem.net

студент 442

мат.-мех.

четверг 25.11.2004,

11.15

ПУНК, мат.-мех., ауд. 1522

"Моделирование редких событий"

F. Cerou, P. Del Moraly, F. LeGland, P. Lezaud Genetic Genealogical Models in Rare Event Analysis //

Даниил Петриченко

студент 5к.

мат.-мех.

четверг 18.11.2004,

11.15

ПУНК, мат.-мех., ауд. 1522

"Семантическая сеть и автономные агенты"

Бурин Лавр lburin@yandex.ru

аспирант 1к. мат.-мех.

четверг 11.11.2004,

11.15

ПУНК, мат.-мех., ауд. 1522

"Алгоритмы обучения и самообучения"

Измакова Ольга izmakova@inbox.ru

Соискатель мат.-мех.

четверг 4.11.2004,

11.15

ПУНК, мат.-мех., ауд. 1522

Алгоритмы поиска

Волкович Яна

pontifi@mail.ru

Аспирантка 1к. мат.-мех.

четверг 28.10.2004,

11.15

ПУНК, мат.-мех., ауд. 1522

"Оптимизация инструкций при выборе архитектуры процессора"

Якушкин Сергей serji@tepkom.ru

аспирант 1к. мат.-мех.

четверг 21.10.2004,

11.15

ПУНК, мат.-мех., ауд. 1522

Giuseppe Calafiore, M.C. Campi Uncertain Convex Programs: Randomized Solutions and Confidence Levels // 2004 скачать

Чуйко Дмитрий

tp@pisem.net

аспирант 1к. мат.-мех.

четверг 14.10.2004,

11.15

ПУНК, мат.-мех., ауд. 1522

"О новом рандомизирванном алгоритме поиска точки разрыва у функции"

Граничин Олег Николаевич

oleg_granichin@mail.ru

Профессор мат.-мех.

четверг 7.10.2004,

11.15

ПУНК, мат.-мех., ауд. 1522

"О тестировании OLAP сервера"

Сысоев Сергей Сергеевич sysoev_s@mail.ru

аспирант 3к. мат.-мех.

четверг 30.09.2004,

11.15

ПУНК, мат.-мех., ауд. 1522

"Значение стохастических методов для описания неравновесных процессов в физике и механике"

Хантулева Татьяна Александровна

Khan@TH8345.spb.edu

доцент

мат.-мех.

четверг 23.09.2004,

11.15

ПУНК, мат.-мех., ауд. 1522

"Оценивание по конечному числу наблюдений"

Лопатин Андрей cotinco@mail.ru

аспирант 1к. мат.-мех.

пятница 10.09.2004,

13.50

ПУНК, мат.-мех., ауд. 2512

"Алгоритмы настройки нейронных сетей" 

Халидов Василь

vasya@IH6208.spb.edu

студент 5к.

мат.-мех.

пятница 03.09.2004,

13.50

ПУНК, мат.-мех., ауд. 2512

"Robocup" 

Граничин Олег Николаевич

oleg_granichin@mail.ru

профессор мат.-мех.

 

четверг 18.12.2003, 14 линия В.О., 29, ауд. 47, 13-50
" Robocup. Примеры описания неравновесных процессов"

Хантулева Татьяна Александровна

доцент мат.-мех. ф-та, канд. физ.-мат. наук

 

четверг 11.12.2003, 14 линия В.О., 29, ауд. 47, 13-30
"Robocup. Нейронные сети и обработка информации"

Сысоев Сергей Сергеевич

аспирант мат.-мех.ф-та

 

четверг 04.12.2003, 14 линия В.О., 29, ауд. 47, 13-50
"Примеры описания неравновесных процессов"

Хантулева Татьяна Александровна

доцент мат.-мех.ф-та, канд. физ.-мат. наук

 

четверг 27.11.2003, 14 линия В.О., 29, ауд. 47, 13-50
"Нейронные сети и обработка информации"

Сысоев Сергей Сергеевич

аспирант мат.-мех.ф-та

 

четверг 20.11.2003, 14 линия В.О., 29, ауд. 47, 13-50
"Ассоциативные сети"

Владимирович Алексей Георгиевич

соискатель

 

четверг 13.11.2003, 14 линия В.О., 29, ауд. 47, 13-50
"Глобальная оптимизация, метод имитации отжига " 

Лопатин Андрей

студент мат.-мех.ф-та

 

четверг 30.10.2003, 14 линия В.О., 29, ауд. 47, 13-50
"Несостоятельность модели машины Тьюринга и возможные пути ее усовершенствования"

Владимирович Алексей Георгиевич

соискатель

 

четверг 23.10.2003, 14 линия В.О., 29, ауд. 47, 13-50
"Модели финансовой математики. (Экономические приложения фракталов и броуновского движения)"

Русаков Олег Витальевич

доцент мат.-мех.ф-та, канд. физ.-мат. наук

 

четверг 16.10.2003, 14 линия В.О., 29, ауд. 47, 13-50
"Задачи оптимизации в биоинформатике"

Сысоев Сергей Сергеевич

аспирант мат.-мех.ф-та

 

четверг 9.10.2003, 14 линия В.О., 29, ауд. 47, 13-50
"Контроль неравновесных процессов"

Хантулева Татьяна Александровна

доцент мат.-мех.ф-та, канд. физ.-мат. наук

 

четверг 2.10.2003, 14 линия В.О., 29, ауд. 47, 13-50
"Адаптивное управление и нейронные сети"

Терехов Валерий Александрович

профессор ЛЭТИ, доктор тех. наук

 

четверг 25.09.2003, 14 линия В.О., 29, ауд. 47, 13-50
"Модели с переменной структурой фазового пространства"

Граничин Олег Николаевич

профессор мат.-мех.ф-та, доктор физ.-мат. наук