• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Статья
Crystallochemical Design of Huntite-Family Compounds

Kuz’micheva G. M., Kaurova I. A., Rybakov V. B. et al.

Crystals. 2019. Vol. 9. No. 2. P. 1-49.

Глава в книге
Structural Synthesis of the IoT System for the Fog Computing

Saksonov E., Leokhin Y., Panfilov, P.

In bk.: 24th Conference of Open Innovations Association FRUCT, FRUCT 2019. IEEE Computer Society, 2019. P. 381-387.

Препринт
Темпоральные расширения в стандарте SQL

С.Д. Кузнецов

Препринты ИСП РАН. Институт системного программирования им. В.П. Иванникова РАН, 2017. № 30.

Управление данными и знаниями

Руководитель семинара

Аннотация

Научно-исследовательский семинар в аспекте общей методологии научного исследования ориентирован на ознакомление участников с основными этапами научного исследования, такими как предварительный анализ литературы (состояние проблемы), формулировка постановки задачи исследования, разработка собственных решений и их сравнительный анализ с существующими аналогами, корректная формулировка полученных результатов, их оформление и презентация.

          В аспекте тематики семинара «Управление данными и знаниями» предполагается знакомство участников с современными методами организации централизованных и распределенных баз данных, в том числе пространственных, темпоральных, потоковых и высокой доступности, с методами организации массовой параллельной обработки данных, с моделями представления знаний и методами логического вывода, с «мягкими» методами машинного обучения, с технологиями семантического веба.

          Семинар проводится в форме докладов участников с их последующим обсуждением по принятым в научном сообществе правилам ведения дискуссий. Участие в семинаре поможет студентам при освоении базовой дисциплины «Базы данных» и подготовит их к проведению собственных научных исследований, а также выполнению курсовых и дипломных работ.

 

Задачи научно-исследовательского семинара:

В результате участия в семинаре студенты могут приобрести следующие компетенции:

·       по общей методологии научного исследования:

§ овладеть базовыми умениями и навыками ведения самостоятельных исследований на примере управления данными и знаниями;

§ получить навыки выступлений с научными докладами, оформления содержательных презентаций и научиться корректно вести научные дискуссии;

·       по тематике научного семинара:

§ иметь представление  о современном состоянии и тенденциях развития систем управления базами данных и знаний;

§ получить углубленные знания в области методов организации хранения, индексирования и поиска данных;

§ получить знания о современных классах систем управления базами данных;

§ получить знания о современных распределенных системах хранения данных высокой доступности и массовой параллельной обработки данных;

§ ознакомиться с методами управления знаниями, моделями представления знаний и организацией механизмов логического вывода;

§ приобрести знания о методах машинного обучения;

§ получить представление о моделях, методах и средствах, лежащих в основе семантического веба.

 

Содержание семинара

 

Участникам семинара предлагаются для обсуждения и последующего исследования следующие крупные тем, каждая из которых допускает достаточно широкую детализацию и богатый выбор конкретных примеров и задач.

1.    Базы данных, использующие GPU (MapD)

2.    SQL-совместимые системы для управления мульти-структурными данными (Sinew)

3.    Аналитические платформы (WideTable, DimmWitted, Tupleware,

4.    Методы индексирования данных. B-Tree, Bitmap, Hash.

5.    Пространственные базы данных. Пространственные индексы.

6.    Темпоральные базы данных. T-SQL2.

7.    Системы управления потоками данных. TelegraphCQ, Borealis, STREAM, Storm.

8.    Распределенные базы данных высокой доступности. Теорема CAP. DHT. Google BigTable, Dynamo, Cassandra.

9.    Документо-ориентированные базы данных. CouchDB, MongoDB.

10.                      Системы обработки данных Map-Reduce. Hadoop, HBase, Impala, Spark.

11.                      Модели представления знаний и механизмы вывода. Логические модели, продукции, семантические сети, фреймы.

12.                      Методы машинного обучения. Нейронные сети. Эволюционные алгоритмы. Нечеткая логика.

13.                       Семантический веб. Средства описания онтологий.