Компьютерное моделирование физических процессов
Построение графиков в Python, библиотека matplotlib
Автоматическое регулирование с обратной связью, компоненты системы управления
Моделирование случайных процессов, датчик псевдослучайных чисел, метод Монте-Карло
Метод рекуррентных соотношений, мгновенная и средняя скорость изменения величины
Моделирование полёта ракеты: законы Ньютона, сопротивление атмосферы, барометрическая формула
Корнев А.А., Лекции по курсу "Численные методы"
Кушниренко А. Г., Малый А. А. Запуск метеорологической ракеты как поучительный объект компьютерного моделирования в школьном курсе информатики.
Занятия начнутся в феврале. Как попасть на спецкурс?
Зарегистрироваться на платформе Мирера и вступить в группу по ссылке: https://mirera.ru/user/groups/698df490a60fcd25c01ef4d2
Курс имеет практическую направленность и требует самостоятельного изучения предложенных теоретических материалов и решений задач. Материалы с домашними заданиями открываются постепенно, по расписанию. В конце курса будет проведена финальная контрольная работа.
Математическое обеспечение высокопроизводительных вычислений
Основные пути повышения производительности программ. Эквивалентные преобразования программ. Граф потока данных (DataFlow).
Принципы алгоритмической и низкоуровневой оптимизации базовых вычислительных операций. Быстрые вычисления как наука
Анализ производительности программного обеспечения путем изучения машинного кода. Профилирование программного обеспечения.
Статическое и динамическое распараллеливание программ. Масштабируемость программ и гиперлинейное ускорение.
Физический и логический параллелизм. Процессы, потоки, "тасклеты" и прочие абстракции в языках программирования.
Организация обмена данными между процессами. Общая память и MPI. Активные сообщения. Latency hiding.
Вопросы синхронизации счета. Гонки и взаимные блокировки. Атомарные операции. Транзакционная память.
Особенности распределенных вычислений. Асинхронный ввод/вывод. Облачные вычислительные платформы и GRID-системы.
Принципы эффективного использования кеш-памяти в многопоточных программах. Many-core процессоры и VLIW-архитектуры.
Векторизация вычислений и использование SIMD-ускорителей для параллельных вычислений. Расширения AVX2 и FMA.
Технологии CUDA и OpenCL: общие черты и различия технологий. Архитектурные особенности графпроцессоров.
Динамический параллелизм в технологиях CUDA и OpenCL. Параллельные диалекты языков C/C++. Языки Charm++ и T++.
Гибридные вычислительные системы и поддержка выгрузки (offloading) вычислений в специализированных компиляторах.
Специализация программ, частичные вычисления и супероптимизация. Мемоизация (табулирование) результатов вычислений.
Реконфигурируемые вычислительные системы на основе программируемых (FPGA) и заказных (ASIC) микросхем.
Обеспечение отказоустойчивости счета на больших суперЭВМ. Операционный недетерминизм и отказоустойчивые алгоритмы.
D.Kaeli, P.Mistry, D.Schaa, D.P.Zhang, Heterogeneous Computing with OpenCL 2.0, Third Edition, AMD, Elsevier Inc., 2015
А.В. Боресков и др. Параллельные вычисления на GPU. Архитектура и программная модель CUDA: Учебное пособие. Изд-во МГУ, 2015
В.В. Воеводин. Параллельные вычисления: учеб. пособие для вузов. БХВ-Петербург, 2002
В.П. Гергель. Высокопроизводительные вычисления для многопроцессорных многоядерных систем: учеб. для вузов. - M.: Изд-во МГУ, 2010
Р. Гримм, Параллельное программирование на современном языке C++, ДМК Пресс, 2022
Э.Д. Уильямс, Параллельное программирование на С++ в действии. Практика разработки многопоточных программ, ДМК Пресс, 2012
Курс посвящен рассмотрению архитектур современных и перспективных высокопроизводительных систем,
общей методологии построения параллельных, распределенных и отказоустойчивых программ, способам
масштабирования программ, современным стандартам для программирования ускорителей OpenCL и CUDA,
а также подходам к преобразованию, специализации и низкоуровневой оптимизации программного кода.
Моделирование добычи нефти
Многокомпонентность. Многофазность. Фазовые переходы.
Применение искусственного интеллекта при постановке задач фильтрации.
Анализ ошибочных результатов работы с искусственным интеллектом.
Методы обработки данных: снижение неопределённостей и устранение противоречий.
Прокси моделирование как способ воспроизведения ключевых показателей фильтрации с помощью упрощённых математических моделей.
Баталин О.Ю., Брусиловский А.И. Фазовые равновесия в системах природных углеводородов. Москва, Недра, 2004.
elenakoldoba@mail.ru
Финансовая математика и машинное обучение в финансах
Модели биномиального риска
Случайные процессы, Интеграл Ито, Формула Ито
Модель Блэка-Шоулза, Вывод формулы Блэка Шоулза
Греки и Хеджирование, Численные методы прайсинга
Локальная и статистическая волатильность
Высокочастотный трейдинг, микроструктура рынка
Высокочастотный Market Making и оптимальное стохастическое управление
Модель Авеланеды-Стоикова
Обобщения модели Авеланеды-Стоикова, модель Гуанта-Легаля-Фернандеса-Тапии, модель
Картеа
Статистический арбитраж
Машинное обучение в финансах, предсказания временных рядов
Метрики точности предсказательных моделей – R squared, ROC AUC
Модели ARCH и GARCH
Линейная и логистическая регрессия, регрессия Ridge, LASSO
Сравнение нейросетей для временных рядов – линейные, вероятностные, LSTM, Transformers
Применение Reinforcement Learning в финансах
Сравнение алгоритмов DQN и PPO
непрерывного математического образования, 2016
Наумов В.Н. Методы прогнозирования временных рядов – М.: Издательство Лань, 2024
Лапань М. В. Глубокое Обучение с подкреплением, AlphaGo и другие технологии – М.:
Издательство Питер, 2020
Бенджио Иошуа, Курвиль Аарон, Глубокое обучение - М. Издательство ДМК Пресс, 2018
В курсе освещаются следующие вопросы:
1) начальные сведения по теории финансовой математики
2) интеграл Ито и модель Блэка Шоулза прайсина опционов
3) модели стохастического оптимального управления для высоко частотного Market Making
4) машинное обучения в задачах прогнозирования временных рядов
5) глубокое обучение и глубокое обучение с подкреплением для финансовых задач
Нужные для понимания спецкурса сведения из статистики, теории вероятностей и случайных
процессов, финансовой математки и машинного обучения будут напоминаться по ходу лекций.
Олимпиадная математика для студентов
Теория чисел.
Комбинаторика.
Математический анализ и элементы действительного анализа.
Элементарная и пространственная геометрия.
Комплексные числа.
Теория вероятностей.
Многочлены.
Дифференциальные уравнения.
Топология.