О курсе

Преподаватель: Максим Болонкин, Ph.D.

Данный курс читается студентам магистратуры филиала МГУ им. М.В. Ломоносова в г. Ташкенте.
Цель данного курса состоит в знакомстве студентов с методами и алгоритмами вычислительной математики, которые не покрываются в достаточной мере в других курсах программы, но представляют собой интерес для научной и инженерной работы.

Телеграм-канал для связи: ссылка

Материалы курса

	Дата	Тема занятия	Тип занятия	Видео	Слайды/Код
1	18 сентября	Введение. Ошибки и источники ошибок.	Лекция	Видео	Слайды (введение) Слайды (источники ошибок)
2	22 сентября	Разложение матриц: LU-разложение	Лекция	Видео	Слайды
3	25 сентября	Разложение матриц: QR разложение, SVD разложение	Лекция	Видео
4	29 сентября	Нахождение собственных значений, методы степеней	Лекция	Видео
5	4 октября	Туториал по Python/Numpy	Практика	Видео	Python Notebook
6	6 октября	Методы моделирования данных: задача наименьших квадратов	Лекция	Видео	Слайды
7	9 октября	Теория вероятностей (повторение)	Лекция	Видео	Слайды
8	13 октября	Теория вероятностей (продолжение повторения). Методы моделирования данных: MLE, MAP	Лекция	Видео	Слайды
9	16 октября	Методы моделирования данных: EM алгоритм	Лекция	Видео
10	20 октября	Разложение матриц. Задача наименьших квадратов.	Практика	Видео	Python Notebook
11	23 октября	Нелинейная оптимизация	Лекция	Видео	Слайды
12	27 октября	Нелинейная оптимизация: модификации метода Stochastic Gradient Descent	Лекция	Видео
13	30 октября	Методы оптимизации второго порядка	Лекция	Видео	Слайды
14	7 ноября	Эвристические методы оптимизации	Лекция	Видео (часть 1) Видео (часть 2)	Слайды
15	9 ноября	Нелинейная оптимизация	Практика	Видео	Python Notebook
16	21 ноября	Эвристические методы оптимизации	Практика	Видео	Python Notebook
17	23 ноября	Стохастические процессы: Марковские цепи (часть 1)	Лекция	Видео	Слайды
18	27 ноября	Стохастические процессы: Марковские цепи (часть 2)	Лекция	Видео
19	28 ноября	Скрытые Марковские модели. Алгоритм Витерби.	Лекция	Видео	Слайды
20	29 ноября	Скрытые Марковские модели. Алгоритм Витерби.	Практика	Видео	Python Notebook
21	30 ноября	Стохастические процессы: Марковские цепи (часть 3)	Лекция	Видео	Слайды
22	1 декабря	Стохастические процессы: Непрерывные цепи Маркова, Пуассоновские процессы	Лекция	Видео	Слайды
23	4 декабря	Стохастические процессы: Непрерывные цепи Маркова	Лекция	Видео	Слайды
24	6 декабря	Стохастические процессы: теория очередей	Лекция	Видео	Слайды
25	7 декабря	Стохастические процессы: стационарные процессы	Лекция	Видео	Слайды
26	13 декабря	Анализ временных рядов: декомпозиция рядов	Лекция	Видео	Слайды
27	14 декабря	Анализ временных рядов: модели AR(1), MA(1), автоковариационная функция	Лекция	Видео
28	15 декабря	Анализ временных рядов: процесс ARMA(p, q)	Лекция	Видео
29	18 декабря	Моделирование временных рядов: оптимальный линейный предсказатель, алгоритм Дурбина-Левенсона	Лекция	Видео	Слайды
30	20 декабря	Моделирование временных рядов: метод инноваций/поправок, оптимальные бесконечные предсказатели	Лекция	Видео
31	21 декабря	Моделирование временных рядов: нахождение параметров моделей, алгоритм Юла-Уокера, модель ARIMA(p,d,q)	Лекция	Видео
32	22 декабря	Моделирование временных рядов: модели пространства состояний: фильтр Калмана	Лекция	Видео	Слайды
33	10 января	Реккурентные нейронные сети (часть 1)	Лекция	Видео	Слайды
34	13 января	Реккурентные нейронные сети (часть 2)	Лекция	Видео
35	17 января	Анализ временных рядов: поиск внезапных изменений (change-point detection)	Лекция	Видео	Слайды
36	20 января	Анализ временных рядов: поиск аномалий	Лекция	Видео
37	24 января	Дизайн систем с машинным обучением	Лекция
38	27 января	Обзорный повтор материала курса, консультация	Практика
	2 февраля	Консультация
	5 февраля	Экзамен Вопросы экзамена

Домашние задания

В этом семестре домашние задания не предусмотрены.