Проекты
Фильтр по:
Очистить выбор

Программа персональных цифровых сертификатов
14.05.2021
Совместные образовательные курсы с Университетом 20.35
31.10.2021
Обучение преподавателей региональных университетов
31.12.2021
Совместная разработка образовательного контента с университетом Оулу
31.12.2022
Образовательный курс «Форсайт научно-технологического развития»
31.12.2021
Обучение управлению на основе данных
31.01.2022Математические основы интеллектуального анализа больших данных
Руководитель проекта

Заказчик

Описание проекта
Проект направлен на совершенствование методов, алгоритмов и программных средств интеллектуального анализа данных (ИАД). Сложность и разнообразие методов ИАД требуют создания специализированных инструментов для конечного пользователя, с помощью которых будет решена поставленная задача. Основные цели в рамках данного направления: развитие и создание новых методов и алгоритмов анализа структурированных и неструктурированных данных; разработка программных средств обработки распределенных данных больших объемов; применение созданных средств при решении прикладных задач.
В ходе реализации проекта ожидается получение цикла новых результатов как в рамках алгебраического подхода к проблеме синтеза корректных алгоритмов для интеллектуального анализа больших данных, так и новых результатов по субквадратичному анализу метрических конфигураций, анализу символьных последовательностей, логическому выводу и развитию новых подходов к направлению, которое принято называть Explainable machine learning.
Итоги 2019 года
● Среди наиболее значимых и даже опережающих мировой уровень следует отметить результаты по анализу линейных конструкций, обеспечивающих полноту моделей алгоритмов. Эти результаты связаны с анализом ранга специальных матриц, возникающих при применении отдельных алгоритмических операторов в рамках конструкций алгебраического подхода. Установленное в первом полугодии 2019 года необходимое свойство мономорфности при построении мультиалгоритмических конструкций позволило ввести требование сохранения свойства «быть базой соответствующей категории» при последовательных переходах между пространствами оценок. Отметим, что явное использование сохранения свойства «быть базой» позволяет ставить задачи идентификации параметров (в том числе нейронных сетей), как специальные задачи условной оптимизации. Следует также отметить цикл результатов по явному использованию методов теории функций для решения задач с разреженными матрицами и для них же – результаты по тихоновской регуляризации в задачах типа коллаборативной фильтрации.
● Среди результатов, полученных во втором полугодии 2019 года, в частности, следует отметить установление связи гладких сложных функций, реализуемых нейронными сетями, с функциями Морса. Этот результат, полученный для нейронных сетей «без горловин», по сути доказывает нецелесообразность применения мультиалгоритмических конструкций с «расширяющимся» множеством параметров или степеней свободы. В качестве отдельного результата следует отметить появление нового подхода к теоретическому анализу процесса машинного обучения как к решению задачи о существовании и алгоритмизации вычисления неявно заданных функций. Установлено, что классические условия, сводящиеся к невырожденности специальных матриц вторых производных, требуют существенного обобщения с позиций требования эпиморфности соответствующих морфизмов. На качественном уровне полученные результаты можно прокомментировать следующим образом: имеющийся в настоящее время алгоритмический инструментарий позволяет достаточно легко (даже для сравнительно простых задач) конструировать чрезвычайно сложные программные решения. Доказано, что в самой архитектуре решений может быть заложена заведомая избыточность, что позволяет в перспективе строить программные решения с более высокими характеристиками надежности и вычислительной сложности.
Итоги 2020 года
● Опубликованы четыре научные статьи в авторитетных научных изданиях. Содержание статей отражает результаты исследований, полученные в ходе реализации проекта.
Итоги 2021 года
● Опубликованы семь научных статей в авторитетных научных изданиях. Содержание статей отражает результаты исследований, полученные в ходе реализации проекта.