Территория мужчин "Мужская консультация"
цЫфровой концлагЕРР ужо наступил!! на студентов...
➜ главная Домика
Вы не залогинились! Ваш статус в этом ДоМиКе - гость.
В домике онлайн: 0, замечено за сутки: 3
вернуться на 189 стр. списка тем
Сегодня у меня двое должны были сдавать удаленно
- один в г. Орёл, студент ВШЭ,
- второй в Москве, 9 класс.
Оба шагу не могли ступить!! Им засунули какой-то софт, что следит,
и за малейшим миллиметром выкидывает с экзамена.
у них буквально ШОК.
не было НИКАКОЙ ВОЗМОЖНОСТИ выслать мне хоть один примерчик/ задачку.
По статье "мыслепреступление".
а дома, на изоляцмм Заратустра не позволял физкультурицца?
Представьте, что они сидят на экзамене в пустом классе... какие подсказочки? Только свои знания.
А 9 класс чо? У этих вообще все отменили.
Когда студентов собирает на лекцию, пять пицц покупает и всех кормит, вот такой мужик!
Книжка у него есть хорошая "Задачник по эконометрике".
Еще в Москве есть Артамонов в МГИМО - у него классный учебник по эконометрике - лучший русский учебник,
и еще стРРРАшный Филиппов - Академия внешней торговли- жесть мужик, дает задания из 20 задач, решить почти невозможно))
Но огн сдаст, я уверен, он как-то по моему заданию - взял да и выучил Неравенства Чебышева))
а его и в институте не все понимают))
Выпускные экзамены отменили.
Но... некоторые школы ввели свой личный вступительный в 10 класс.
Перечень вопросов, если кому интересно. Странно, что в нем нет Теорем Шеннона... Персептроны есть, расстояние Хэмминга есть, даже Стохастический градиентный спуск. есть, а вот Теорем Шеннона нет?
Вопросы к экзамену:
1. История развития информационных технологий.
2. Классификация информационных технологий.
3. Процессы информационного обмена, семантического и рутинного преобразования информации.
4. Многоуровневая модель информации. Соотношение между понятиями "данные", "информация" и "знания".
5. Общие принципы организации информационно-поисковых систем.
6. Проблема индексации документов. Проект Semantic Web: достоинства и недостатки.
7. Метаданные и обработка электронных ресурсов. Типы и иерархия метаданных.
8. Модель информационно-поисковой системы.
9. Модели поиска: контекстный, атрибутивный, ? по аналогии?.
10. Структура логических компонентов информационно-поисковой системы.
11. Типы тезаурусов и онтологий. Автоматизированная технология построения тезаурусов и онтологий.
12. Извлечение метаданных из слабоструктурированных документов. Технологии, основанные на разметке
документа.
13. Автоматическое извлечение из текстов ключевых слов.
14. Кластеризация текстовых документов на основе меры сходства. Выбор шкал для определения меры сходства.
Апостериорные правила нахождения весовых коэффициентов.
15. Формальные методы исследования структуры ЕЯ текста.
16. Статистические методы анализа структур ЕЯ текста на морфологическом, синтаксическом, семантическом
уровнях.
17. Метод позиционных статистик. Приложение методов для задач дешифровки ЕЯ текстов на неизвестных
языках.
18. Формальные методы классификации полнотекстовых документов.
19. Формальные методы определения сходства ЕЯ документов на различных уровнях лингвистического анализа:
кластерный анализ, деревья принятия решений, векторные методы, Байесовский классификатор.
20. Применение методов классификации для задач определения авторства текстов.
21. Проблемы построения систем семантического анализа текстов.
22. Автоматическое извлечение знаний из ЕЯ текстов.
23. Формирование онтологии предметной области по тексту.
24. Построение семантической модели текста. Семантическая классификация и кластеризация текстов.
25. Детерминистские методы распознавания образов..
26. Эвристические методы и алгоритмы распознавания образов.
27. Статистические методы распознавания. Байесовский подход.
28. Нейросетевые методы распознавания. Нейросетевая классификация и распознавание. Использование
персептрона.
29. Нейросетевые методы распознавания. Использование сети Кохоннена. Использование сетей Хопфилда и
Хемминга.
30. Распознавание графических объектов: Системы классификации.
31. Системы распознавания печатного и рукописного текста.
32. Распознавание лиц. Распознавание графических изображений произвольного характера.
Программа дисциплины "Теоретические основы информационных технологий"; 09. 04. 02 Информационные системы и технологии;
доцент, к. н. (доцент) Невзорова О. А.
Регистрационный номер 92820
Страница 11 из 15.
33. Байесовский подход к принятию решений: Априорная информация о вероятностных характеристиках.
Байесовский классификатор.
34. Самообучающиеся системы: Супервизорные методы.
35. Обучение без учителя. Кластеризация.
36. Искусственные нейронные сети. Персептрон. Многослойная сеть прямого распространения.
37. Методы анализа изображений: Модели непрерывных изображений.
38. Пространственные спектры изображений. Вероятностные модели изображений и функции автокорреляции.
39. Построение гистограмм изображений. Критерии качества изображений. Фильтрация и улучшение
изображений.
40. Логика предикатов первого порядка. Логические и эвристические методы представления знаний.
41. Понятие предиката, формулы, кванторы всеобщности и существования. Интерпретация формул в логике
предикатов 1-го порядка.
42. Метод резолюции для доказательства теорем в логике 1-го порядка.
43. Псевдофизические логики. Теория нечетких множеств? основа псевдофизических логик.
44. Правила-продукции. Структура правил-продукций. Типы ядер правил-продукций и варианты их
интерпретаций.
45. Методы логического вывода: прямой и обратный. Стратегии выбора правил при логическом выводе.
46. Методы представления и обработки нечетких знаний в продукционных системах. Достоинства и недостатки
правил-продукций как метода представления знаний.
47. Фреймы и объекты. Основные понятия фрейма: слоты, присоединенные процедуры-слуги и
процедуры-демоны, наследование свойств.
48. Сети фреймов. Принципы обработки данных в сети фреймов.
49. Основные понятия нечеткой логики.
50. Операции над нечеткими множествами.
51. Формализация понятий естественного языка. Треугольная норма и конорма. Способы задания треугольных
норм и конорм.
52. Возникновение нечетких множеств. Нечеткая логика. Мягкие вычисления. Лингвистическая неопределенность.
53. Представления. Диаграмма Венна. Характеристики. Операции. Свойства. Основные типы функций
принадлежности. Нечеткие отношения.
54. Определения нечеткой и лингвистической переменных. Нечеткие величины, числа и интервалы. Треугольные
нечеткие числа и трапециевидные нечеткие интервалы.
55. Понятие нечеткого высказывания и нечеткого предиката. Нечеткие предикаты.
56. Основные логические операции с нечеткими высказываниями.
57. Правила нечетких продукций. Прямой и обратный методы вывода заключений в системах нечетких продукций.
58. Базовая архитектура систем нечеткого вывода.
59. Основные этапы нечеткого вывода. Формирование базы правил систем нечеткого вывода.
60. Алгоритм Мамдани.
61. Алгоритм Цукамото.
62. Алгоритм Ларсена.
63. Алгоритм Cyгено.
64. Стандартная аддитивная модель Коско.
65. Постановки основных классов задач в машинном обучении.
66. Машинное обучение как математическое моделирование.
67. Статистические модели обучения с учителем.
68. Линейная регрессия и метод k ближайших соседей. Переобучение и недообучение.
69. Нейронные сети: общая архитектура.
70. Стохастический градиентный спуск. Проблемы: затухающие и взрывающиеся градиенты, невыпуклость
функции потерь.
71. Реализация XOR с помощью трёх персептронов. Теорема об универсальной аппроксимации.
72. Нейронные сети в обработке изображений. Фильтры. Сверточные слои.
73. Нейронные сети и обучение представлений. Обработка последовательностей.
74. Рекуррентные нейронные сети.
75. Концепция Data Mining. Технология ХД.
76. Архитектуры OLAP. Компоненты OLAP-систем.
77. Классификация задач Data Mining. Задача классификации и регрессии.
78. Классификация задач Data Mining. Задача поиска ассоциативных правил. Задача кластеризации.
79. Модели Data Mining. Гиперкубическая и поликубическая модели.
80. Операции манипулирования измерениями.
81. Предсказательные (predicative) и описательные (descriptive) модели Data Mining.
82. Базовые методы Data Mining. Принципы построения систем на основе хранилищ данных.
Программа дисциплины "Теоретические основы информационных технологий"; 09. 04. 02 Информационные системы и технологии;
доцент, к. н. (доцент) Невзорова О. А.
Регистрационный номер 92820
Страница 12 из 15.
83. Методы аналитической обработки многомерных данных с использованием OLAP-технологий.
84. Процесс обнаружения знаний. Основные этапы анализа. Подготовка исходных данных.
85. Изучение методов принятия решений на основе анализа данных с использованием OLAP-технологий.
86. Генетические алгоритмы для обнаружения знаний.
вопрос 70.
Впрочем, - ругайте ВШЭ дальше)) Может, они - Теорему Шеннона включат в программу?)
+++- +
Демо-версия задания по дисциплине "Теоретические основы информационных технологий" для образовательной программы магистратуры: "Бизнес-информатика"
Время выполнения задания 180 мин
1 вариант
1. Конечный вероятностный источник сообщений. Энтропия источника. Кодирование сообщений источника. Равномерное и неравномерное кодирование. Префиксные коды. Дерево кода. Средняя длина кодового слова. Нижняя граница средней длины кодового слова.
2. Сети Петри. Язык сети Петри. Решение задачи о достижимости матричным методом.
3. Основные типы информационных систем.
4. Дайте развернутый, обоснованный ответ на вопрос "Что такое реинжиниринг предприятия?"
5. Основные разделы технического задания (ТЗ) на создание автоматизированной информационной системы. Какой стандарт лежит в основе подготовки ТЗ?
2 вариант
1. Для #945;#42890;(0101101), #946;#42890;(1000101) требуется найти количество #947;#61646; В7, для которых выполняется равенство #961;(#945;, #947;)+#961;(#947;,#946;)#4289- 0; 4, где #961;(#61540;,#1297;) расстояние Хемминга между словами #61540; и #1297;.
2. Методы и процессы обработки информации.
3. Для чего существует референтная процессная модель и как ее используют?
4. Понятие предметной области и способы ее описания.
5. Основные компоненты и этапы создания архитектуры информационных систем.
- мат. анализ
- мат. статистика
- бух. учет
- еще какато хрень про графы...
и чо?
в башке остались плюс-минус-умножЫть-паделить-в- ыесть-процент...
а профессор какие-то странности почти матерные слова и выражения массово упоминает...
на костер яво! сжечь еретика!
когда по работе не востребованою
Преимущество Русской школы математики и разгадка того факта, что она самая лучшая в мире, -
состоит в том, что
1) евреи! - сыпьте заварки побольше!! это примерно набор 2000 человек в год среди 700 000 абитуриентов,
2) остаются среди преподавателей - в основном те, кто математику действительно любят всю свою жизнь - я имею ввиду вузовский состав кафедр ( а не школ, к сож. там слишком много случайных... тиоток) математиков в стране примерно 40 000 это невероятная по силе МОЩЬ, такого ни у кого в мире больше нет.
а далее неминуемая конкуренция выводит наверх)) - самых талантливых, они призаны всем математическим сообществом, там - среди математиков нету начальников, там только Царица Наук!
вы не представляете себе, какое это счастье и какой контраст с остальной обыденной жизнью,
вот пример сегодня что ли выпускной, такое приятственное событие!
и в каждый дом ВЛАМЫВАЕТСЯ ЛЖИВАЯ ХАРЯ Малахова - нагло и навязчиво...
А что в математике? Совсем всё по-другому. ВОт совсем новый раздел - Нейронные сети, считай, только с 2012 года во всем мире новый всплеск конструкций и вот два факта
1) проходят олимпиады по нейросетям, победители выкладывают скрипты, ими могут пользоваться все другие,
2) среди всех ютьюб-роликов молодых энергичных, прямо скажем - не очень образованных, - можно найти и ролик професссора Шамина, (Математический институт Стеклова),
где он рассказывает изумительно чистый поход как горный хрусталь! - с Теоремой Колмогорова от 1957 года,
вот такой способ 21 века еще больше повышает уровень математической культуры.
Тук-тук-тук! Кто в домике живет? Наверное, мышка-норушка, как всегда... Ну там еще зайчик-побегайчик, лисичка-сестричка... А вас тама, похоже, нет!
Почему? Да потому что на Мейби нужно сначала зарегистрироваться, а потом подать заявку на прописку в ДоМиКе.