Alapképzés 01.03.02 "Alkalmazott matematika és informatika" szakirány Programirány Módszerek az információ feldolgozására és döntéshozatalra
Matematikai Kibernetika Tanszék 3. évfolyam Matematikai fizikai egyenletek

A parabolikus típusú egyenletek feladatainak felállítása. A maximum elve és következményei. A változók szétválasztásának módszere. Laplace és Poisson egyenletek. Harmonikus függvények. Green-féle formulák és következményeik. A peremfeltételes feladatok alapvető megoldási módszerei. A hullám egyenlet és feladatok felállítása hiperbolikus típusú egyenletekhez. D'Alembert formula és következményei. A változók szétválasztásának módszere. A jellemzőkre vonatkozó feladatok. Funkcionális analízis

A funkcionális analízis alapvető fejezetei: mérési elmélet és Lebesgue integrál, Banach- és Hilbert-terek, lineáris operátorok, Fredholm elmélet, spektrális elmélet alapjai. Valószínűségi modellek A "Valószínűségi modellek" kurzus célja a valós jelenségek és folyamatok matematikai modellezésének elvei a sztochasztikus bizonytalanság körülményei között. A hangsúly az aszimptotikus közelítések és az entrópiás megközelítés leírására összpontosít. Jelentős figyelmet fordítanak a valószínűségi modellek alkalmazhatóságának, különösen a valószínűségi határértéktételek alkalmazásának megvitatására. Megvitatják a klasszikus határértéktételek általánosításait a véletlen térfogatú minták esetén. Alkalmazott feladatok példájaként építenek valószínűségi modelleket a pénzügyi indexek evolúciós folyamataira.

Gépi tanulási módszerek A "Gépi tanulási módszerek" kurzus a modern adatelőkészítési és elemzési módszerekről, valamint a folytonos változó (regresszió) és diszkrét változó (osztályozás) előrejelzési feladatokkal foglalkozik. A kurzusban alapvető tanulmányozott feladatok közé tartozik a klaszterezés és a dimenziócsökkentés, valamint a klasszikus és az új, az utóbbi 10-15 évben kifejlesztett módszerek. Az ensemble technikák (XGBoost, CatBoost, stacking stb.) is részletesen tárgyalásra kerülnek. A hallgatóknak megismerkedésük lesz a Bayes-féle osztályozás elméletével is. A hangsúly a matematikai alapok mély megértésén, az egyes módszerek közötti kapcsolatokon, előnyökön és korlátozásokon lesz. A kurzus azoknak a hallgatóknak szól, akik már ismerik a lineáris algebra, matematikai analízis és valószínűségszámítás alapjait. Az ismeretek matematikai statisztikából, optimalizálási módszerekből és Python programozási nyelvből előnyösek, de nem kötelezőek.

Optimalizálási módszerek Az optimalizálás feladatait Hilbert-terekben tárgyalva az optimális megoldások létezésére vonatkozó kérdéseket, az optimális feltételek szükséges és elegendő feltételeit, variációs egyenlőtlenség és Lagrange-multiplikus szabályok formájában vizsgáljuk. Az iterációs módszerek alapvető típusai: gradiens-, Newton-, büntetési módszerek és egyszerűsített módszerek a lineáris programozás feladatainak megoldására; vizsgáljuk a konvergencia tulajdonságaikat. A dualitás elméletének alapjait, valamint L. S. Pontrjagin maximum elvét az optimális irányítási feladatokhoz, A. N. Tihonov regulárizáló elméletét a nem jól meghatározott optimalizálási feladatokhoz tárgyaljuk.

Optimális irányítás Az optimális irányítás éves kurzusa az 5. és 6. félévben kerül bemutatásra. Az 5. félévben a gyorsasági lineáris problémát vizsgálják. Az alapvető optimális irányítási problémák, mint a vezérelhetőség, az optimális irányítási tétel és a maximális elv feltételei L. S. Pontrjagin elméletében, elegendő feltételek. A kapott eredményeket alkalmazzák a végső funkcionálissal rendelkező optimális irányítási problémák vizsgálatában. A 6. félévben a nemlineáris optimális irányítási problémákat és az integrálás alapú funkcionálissal kapcsolatos szükséges optimális feltételeket vizsgálják. A dinamikus programozás ötleteit részletesen megismerhetjük a nemlineáris gyorsasági problémák példáján keresztül. A különböző optimális irányítási problémákat, beleértve a különleges módok és az időtartam nélküli problémákat is, tanulmányozzák.

Kibernetika alapjai A "Kibernetika alapjai" (korábban "A kibernetika elemei") kurzust, amelynek létrehozója és fő előadója RAN levelező tagja, S.V. Yablonsky volt, az informatika és matematika tanszéken oktatják az első évektől. Ez a kurzus a diszkrét matematikai kibernetikai rendszerek, algoritmusok és programok elméletének és gyakorlati alkalmazásának bemutatását célozza. Témáit K. Shannon és más kibernetikai szakemberek klasszikus eredményei is érintik.

Statisztikai fizika A kurzus bevezetést ad a statisztikai fizikába, amely a makroszkopikus rendszerek viselkedését tanulmányozza, tehát olyan testeket, amelyek hatalmas számú atomot és molekulát tartalmaznak. A kurzus tartalmazza a termodinamikát, a molekuláris fizikát és a statisztikai fizikát. A fő hangsúly az egyensúlyi folyamatok vizsgálatára helyeződik.

Kiválasztott kérdések diszkrét matematikában A kurzus folytatja és kiegészíti az alapvető diszkrét matematikai kurzust. Az első fejezetben véges függvényekről van szó. Az univerzális algebra alapjait, valamint a k-funkciók kifejezésének és teljességének kérdéseit tárgyalják. Az egyesített csoportok alapvető tulajdonságai és alkalmazásuk a diszkrét objektumok számolásában. A harmadik rész a véges testekkel és azok tulajdonságaival foglalkozik.