THEORY

This page is read only. You can view the source, but not change it. Ask your administrator if you think this is wrong.
====== НОШ МГУ "Космос" ======

===== О школе =====

Миссия Школы — сохранение и укрепление ведущих позиций Московского университета в области исследований космоса и использования результатов космической деятельности. Деятельность НОШ «Космос» будет направлена на подготовку специалистов и научные исследования в следующих актуальных направлениях исследования космоса:
  *     исследование темной материи и теория гравитации;
  *     безопасность деятельности в околоземном космическом пространстве;
  *     обеспечение исследования внеземных объектов (в частности Луны) и дальнейшее освоение космического пространства.

Основными научными подразделениями школы являются: факультет космических исследований МГУ, механико-математический факультет МГУ, физический факультет МГУ, ГАИШ МГУ и НИИЯФ МГУ.

Сайт Научно-образователной школы МГУ [[https://nosh.msu.ru/cosmos| "Фундаментальные и прикладные исследования космоса"]] ("Космос")

===== Magisterial curses =====

Э.Э. Боос, д.ф.-м.н., профессор, чл.-корр. РАН, В.И. Саврин, д.ф.-м.н., Буничев, к.ф.-м.н. Стандартная модель как основа современной физики частиц во Вселенной.

Э.Э. Боос, д.ф.-м.н., профессор, чл.-корр.РАН., И.П. Волобуев, д.ф.-м.н, С.В. Демидов, к.ф.-м.н. Современные расширения Стандартной модели.

А.Е.Пухов, к.ф.-м.н.. Построение моделей темной материи, современные экспериментальные ограничения

И.П. Волобуев, д.ф.-м.н. Теория групп в физике элементарных частиц и атомного ядра.

М.Н. Дубинин, д.ф.-м.н. Физика частиц на коллайдерах.

/**
==== Machine learning ====

**Название**: "Применение методов машинного обучения в анализе данных коллайдерных экспериментов, астрофизики космических лучей и гамма-астрономии".

Данный курс является дисциплиной по выбору студентов  четвертого семестра второго курса магистратуры. 

**Аннотация**. Курс лекций призван дать понимание наиболее актуальных методов машинного обучения применяемых в современных физических экспериментах и возможность самостоятельного использования существующих открытых пакетов программ создания нейронных сетей, для простых задач. Вначале курса дается краткое введение в постановку задачи и методы машинного обучения. В силу своей эффективности, универсальности  основным  объектом изучения в данном курсе выбраны нейронные сети в различных модификациях, включая методы глубокого обучения. Использование методов машинного обучения излагается на основе реальных современных анализов данных поступающих с коллайдерных (CMS, LHC) экспериментов и астрофизики космических частиц и  гамма-астрономии. 
**/