Хотите глубже погрузиться в прогнозирование?
Присоединяйтесь к платформе ICEUR Community.

сообщество

Др. Людмила Лобова — политолог, научный директор и вице-президент ICEUR-Vienna, специалист по международной политике, вопросам безопасности, политическим конфликтам и анализу постсоветского пространства.

Её академическая и аналитическая работа сосредоточена на внешней политике и политике безопасности России, международных отношениях, политическом исламе и этнополитических конфликтах, а также на политических трансформациях в России и других государствах постсоветского пространства.

В ICEUR Людмила Лобова занимается развитием и преподаванием методов политического анализа и прогнозирования, включая применение структурированного вероятностного подхода к оценке политических процессов. Особое внимание уделяется работе с неопределённостью, формулированию и сравнению альтернативных сценариев и систематическому обновлению оценок при появлении новой информации.

Лобова изучала право, историю и политологию и получила докторскую степень в 1995 году. В Австрии она была стипендиатом программы Lise Meitner Австрийского научного фонда (FWF) и занималась исследованиями российского восприятия австрийского нейтралитета и его роли в европейской системе безопасности.

Она работала в Институте изучения последствий войн Людвига Больцмана, Австрийском государственном архиве и Институте Дунайского региона и Центральной Европы (IDM). Проводила лекции и семинары в Дипломатической академии Вены, Институте истории Восточной Европы и Институте политологии Венского университета.

Людмила Лобова является автором публикаций по вопросам российской внешней и оборонной политики, европейской безопасности, политического ислама и этнополитических конфликтов на Северном Кавказе и постсоветском пространстве. Совместно с профессором Хансом-Георгом Хайнрихом она также выступала редактором академической серии ICEUR Insight Studies, посвящённой сравнительной политологии, Восточной Европе и трансформационным процессам в постсоветских государствах.

В рамках School of Political Forecasting ICEUR она соединяет многолетний опыт политического и регионального анализа с байесовским подходом к политическому прогнозированию, уделяя особое внимание тому, как новая информация должна изменять первоначальные оценки вероятности развития политических событий.

Эта вводная лекция открывает курс ICEUR, посвящённый политическому прогнозированию и анализу нового миропорядка, сформировавшегося в ходе войны в Украине. Лекция объясняет, почему привычные способы понимания мировой политики — линейные прогнозы, интуитивные оценки и экспертные «уверенные заявления» — всё чаще дают сбой. Мир вступил в фазу высокой неопределённости, где ошибки прогнозирования становятся системными, а не случайными.

Особое внимание уделяется различию между прогнозированием, предсказанием и пророчеством, а также причинам, по которым прогнозам не доверяют — от когнитивных искажений до неправильного понимания вероятности. На исторических примерах показывается, почему одни прогнозы оказывались успешными (распад СССР), а другие — провальными.

Вторая часть лекции вводит слушателей в байесовское мышление как основу работы с неопределённостью. Вместо поиска «точных дат» и «окончательных ответов» предлагается подход, основанный на обновлении знаний, вероятностной логике и обучении на ошибках — с целью быть менее неправыми, а не абсолютно правыми.

Лекция также задаёт рамку всего курса: от теоретических оснований к практическому моделированию, сценарному анализу и работе с реальными политическими кейсами.

Проф. Ханс-Георг Хайнрих

Профессор Ханс-Георг Хайнрих — политолог, специалист по политическому анализу и прогнозированию, профессор Венского университета и сооснователь ICEUR (Institute for the Comparative Study of European and Eurasian Regions) в Вене.

Его академическая и практическая деятельность на протяжении десятилетий связана с анализом политических систем, международных отношений, конфликтов и политических трансформаций в Европе и Евразии. Особое место в его работе занимает разработка методов структурированного анализа сложных политических процессов и прогнозирования в условиях высокой неопределенности.

В рамках ICEUR профессор Хайнрих занимается развитием и преподаванием методологии политического прогнозирования с использованием вероятностных моделей и байесовских сетей. Его подход объединяет экспертный политический анализ с формальными методами моделирования, позволяя переводить сложные взаимосвязи между политическими, экономическими и социальными факторами в структурированные модели и сценарии.

До выхода на пенсию профессор Хайнрих возглавлял кафедру политологии Венского университета. Он также преподавал и проводил исследования в университетах и научных учреждениях России, Венгрии, Польши, Ирака, Египта и других стран.
Помимо академической деятельности, он имеет значительный опыт практической работы в международных организациях. Профессор Хайнрих участвовал в миссиях OSCE, в том числе в Тбилиси, Чечне и Белграде, что позволило ему непосредственно работать с политическими и конфликтными процессами, которые являются предметом анализа и прогнозирования.

Он является автором и редактором многочисленных научных публикаций, посвященных Советскому Союзу и России, Восточной Европе, политическим трансформациям, конфликтам и международным отношениям.

В ICEUR профессор Хайнрих соединяет многолетний опыт сравнительной политологии и анализа международных процессов с Bayesian modelling и структурированным политическим прогнозированием, используя эти методы для анализа сложных политических сценариев и оценки возможных вариантов развития событий.

Др. Марек Й. Друздзель

Профессор Марек Й. Друздзель — один из ведущих специалистов в области байесовских сетей, вероятностного моделирования и систем поддержки принятия решений, профессор Белостокского технического университета и Professor Emeritus Университета Питтсбурга.

На протяжении почти четырех десятилетий его научная работа связана с принятием решений в условиях неопределенности, вероятностным выводом и созданием интеллектуальных систем поддержки принятия решений на основе теории вероятностей, статистики и теории решений. Особое место в его исследованиях занимают Bayesian Networks — от их теоретических основ и алгоритмов вероятностного вывода до практического применения при моделировании сложных систем.

Профессор Друздзель является главным концептуальным разработчиком GeNIe и SMILE — программных инструментов для построения байесовских сетей и графических моделей принятия решений, которые сегодня используются в академических исследованиях, образовании и прикладном моделировании по всему миру.

В 1995 году он основал Decision Systems Laboratory в University of Pittsburgh и руководил лабораторией до 2019 года. Исследовательская группа занималась разработкой методов анализа решений и интеллектуальных систем поддержки принятия решений, а также развитием GeNIe и SMILE.

В 2015 году Марек Друздзель совместно с Томеком Совиньским основал BayesFusion, продолжив развитие GeNIe и SMILE и внедрение технологий байесовского моделирования в практические и промышленные задачи.

Друздзель получил степень PhD в области Engineering and Public Policy в Carnegie Mellon University, где его исследования были посвящены вероятностному выводу в системах поддержки принятия решений. Он также получил две магистерские степени в Delft University of Technology и степень habilitation в Институте компьютерных наук Польской академии наук.

Его исследования и публикации охватывают Bayesian networks, causal reasoning, probabilistic inference, decision theory, knowledge engineering и моделирование решений в условиях неопределенности, включая применение байесовских моделей в медицине, диагностике, оценке рисков и других сложных системах.

Bayesian methods provide a practical framework for reasoning and decision-making in professional environments where information is incomplete, uncertain, or continuously changing. This lecture explores how Bayesian models can be applied across different fields to combine available data, expert knowledge, and assumptions about relationships between relevant factors.

Through examples from risk assessment, policy and political analysis, business and strategic decision-making, engineering, and scientific assessment, participants will examine how different professional questions can be translated into probabilistic models. Particular attention will be given to identifying relevant variables, representing dependencies, incorporating new evidence, and interpreting changes in probabilities as information becomes available.

The lecture will also consider how the same underlying Bayesian principles can be adapted to very different decision-making contexts, demonstrating how Bayesian networks can serve not only as forecasting tools, but also as a structured way to analyse uncertainty, compare scenarios, test assumptions, and support decisions under uncertainty.

This lecture deals with frequent modeling pitfalls and helpful workarounds. It will also cover QGenie, dynamic models and function nodes.
Hands-on Exercises.

Лекция будет вестись на английском языке

Байесовские методы предоставляют практический инструментарий для анализа и принятия решений в профессиональной среде, где информация может быть неполной, неопределенной или постоянно меняться. В этой лекции рассматривается, как байесовские модели могут применяться в различных областях, объединяя доступные данные, экспертные знания и предположения о взаимосвязях между значимыми факторами.

На примерах из оценки рисков, политического анализа, бизнеса и стратегического планирования, инженерии и научной экспертизы участники рассмотрят, как различные профессиональные задачи могут быть представлены в виде вероятностных моделей. Особое внимание будет уделено определению значимых переменных, моделированию зависимостей, включению новой информации и интерпретации изменений вероятностей по мере поступления новых данных.

Лекция также покажет, как одни и те же принципы байесовского подхода могут быть адаптированы к совершенно разным условиям принятия решений и как байесовские сети могут использоваться не только для прогнозирования, но и для анализа неопределенности, сравнения сценариев, проверки предположений и поддержки принятия решений в условиях неопределенности.

Лекция будет вестись на английском языке

Лекция посвящена типичным проблемам и ошибкам, возникающим при построении моделей, а также практическим способам их решения. Участники также познакомятся с QGeNIe, динамическими моделями и функциональными узлами и рассмотрят возможности их применения при разработке более сложных моделей.

Практическое занятие посвящено построению, анализу и интерпретации моделей байесовских сетей с использованием GeNIe 5.0. Участники будут работать непосредственно с программой, преобразуя реальные задачи в структурированные вероятностные модели и исследуя, как исходные предположения, зависимости и новые данные влияют на результаты моделирования.

Упражнения охватывают основные этапы разработки модели: определение переменных и их состояний, создание зависимостей между узлами, задание вероятностей, ввод свидетельств и анализ апостериорных вероятностей. Участники смогут рассмотреть различные сценарии и проследить, как новая информация распространяется по байесовской сети и изменяет получаемые выводы.

Особое внимание будет уделено интерпретации результатов и практической доработке моделей.

К концу занятия участники пройдут полный цикл построения и использования байесовской сети в GeNIe 5.0 как инструмента структурированного анализа и принятия решений в условиях неопределенности.

his hands-on session focuses on the practical construction, analysis, and interpretation of Bayesian network models using GeNIe 5.0. Participants will work directly with the software, translating real-world problems into structured probabilistic models and exploring how assumptions, dependencies, and evidence affect model outcomes.

The exercises will cover the key stages of model development: defining variables and states, creating dependencies between nodes, specifying probabilities, entering evidence, and analysing posterior probabilities. Participants will experiment with different scenarios and observe how new information propagates through a Bayesian network and changes its conclusions.

Particular attention will be given to the interpretation of model results and practical model refinement. By the end of the session, participants will have worked through the complete process of building and using a Bayesian network in GeNIe 5.0 as a tool for structured analysis and decision-making under uncertainty.

Доктор Ульрика Салин — специалист по байесовскому моделированию, анализу рисков и принятию решений в условиях неопределенности, доцент Лундского университета (Швеция).

Центральное направление ее исследований — количественная оценка и корректная интерпретация неопределенности в научных моделях и экспертных заключениях. В своей работе она использует байесовское моделирование, робастный байесовский анализ, методы формализованного извлечения экспертных знаний (Expert Knowledge Elicitation) и другие подходы, позволяющие принимать обоснованные решения при неполной или неоднозначной информации.

Особое место в ее исследованиях занимают байесовские сети и прогнозные модели. Она изучает, как с их помощью объединять данные, модели и экспертные оценки, учитывать различные источники неопределенности и анализировать возможные будущие события. Одна из ее ключевых работ посвящена проблеме эпистемической неопределенности в Bayesian Networks и их применению для оценки рисков.

Салин сотрудничает с государственными и международными организациями в области научной оценки рисков. С 2019 года она участвовала в междисциплинарной рабочей группе European Food Safety Authority (EFSA) по неопределенности, занимавшейся внедрением методологии анализа неопределенности в научные оценки. Она также руководила проектами EFSA по разработке методов и образовательных программ в области Expert Knowledge Elicitation.

Ее академическая подготовка объединяет математическую статистику и прикладной анализ сложных систем: она получила степень магистра по математической статистике в Лундском университете, степень магистра по лесному хозяйству в Swedish University of Agricultural Sciences и PhD по экологии, где занималась оценкой рисков, связанных с инвазивными видами.

Среди ее текущих исследовательских направлений — robust Bayesian analysis, evidence synthesis, экспертная оценка, анализ рисков и принятие решений в условиях неопределенности. Она также преподает на PhD-уровне курсы по Bayesian Analysis and Decision Theory и Risk, Uncertainty and Decision Making.

This lecture examines the different types and sources of uncertainty encountered in Bayesian network (BN) modelling. It begins by distinguishing between BNs used to represent uncertainty about unique events and those describing sampling events, and then explores uncertainty arising from limited data through simple examples involving categorical outcomes and diagnostic testing.

These examples illustrate the effects of sparse evidence, the interpretation of probabilities for unique versus repeatable events, and the importance of Cromwell’s rule: probabilities should not be assigned a value of zero unless a proposition is logically impossible.

The lecture then considers uncertainty related to model structure, network structure, and expert judgement. Examples demonstrate how assumptions about dependencies between variables can affect inference, and how alternative network structures can be compared using likelihood-based methods commonly employed in machine learning. Approaches for reducing bias in expert elicitation are also discussed. Finally, the lecture presents a broader view of Bayesian networks, arguing that any Bayesian model can be represented as a BN, while the term is often used more narrowly for networks with categorical or discretised variables. A simple example of a BN with continuous variables is used to illustrate this perspective.

Др. Трефор Базетт

Доктор Трефор Базетт — математик и преподаватель кафедры математики и статистики Университета Виктории (Канада), специалист по математическому образованию и один из известных популяризаторов современной математики.

Особое место в его образовательной работе занимают теория вероятностей, условная вероятность, теорема Байеса и байесовский вывод — математические основы анализа неопределенности и пересмотра вероятностных оценок при появлении новой информации.

Его материалы последовательно показывают, как переход от априорной к апостериорной вероятности позволяет формализовать процесс обновления наших представлений на основании новых свидетельств.

Трефор Базетт является автором образовательного цикла по теореме Байеса и Bayesian inference, опубликованного Springer Nature. В нем рассматриваются условные вероятности, априорные и апостериорные оценки, применение теоремы Байеса к нескольким альтернативным гипотезам и практические задачи интерпретации новой информации.

Большое внимание Базетт уделяет тому, чтобы сделать сложные математические концепции интуитивно понятными. Он создал более 500 образовательных видео по математике, а его публичные лекции и материалы собрали международную аудиторию; его YouTube-канал насчитывает более 600 тысяч подписчиков.

Базетт получил степень PhD по математике в Университете Торонто. До перехода в University of Victoria преподавал в University of Toronto и University of Cincinnati. Его работа в области математического образования неоднократно отмечалась профессиональными наградами, включая PIMS Education Prize (2024) и Faculty of Science Award for Teaching Excellence (2025).

This lecture is an introduction to Bayesian Reasoning. We will discuss how Bayesian reasoning provides a framework for making and refining predictions in uncertain situations. We will begin by introducing the core ideas of prior and posterior beliefs and conditional probability.

We will then explore Bayes' Formula and it's consequences. Along the way we will see plenty of practical examples and explore how Bayesian reasoning can inform our understanding of the world.

Илья Воронцов

Илья Воронцов — инженер-программист и Team Lead в компании LOYTEC Electronics в Вене, специализирующийся на встраиваемых системах, разработке программного обеспечения и проектировании и верификации сложных технических систем. Его профессиональный опыт включает работу с Zephyr RTOS, Bluetooth LE и Bluetooth Mesh, Embedded Linux, разработку аппаратного обеспечения, а также тестирование и верификацию программных систем.

Он изучал Computer Engineering в Венском техническом университете (TU Wien), уделяя особое внимание теории автоматического управления, валидации и верификации программного обеспечения, отказоустойчивым и распределённым системам, программированию FPGA и микроконтроллеров, а также SAT-решателям. Его академические работы включают анализ производительности систем реального времени на микроконтроллерах ARM Cortex и преобразование доказательств для верификации SAT-решателей — направления, требующие строгих методов моделирования, логического анализа и работы со сложными взаимосвязанными системами.

Этот инженерный и аналитический опыт стал основой его работы с вероятностными моделями и байесовскими сетями. Особое внимание в своем подходе он уделяет переводу реальных задач в структурированные модели, определению переменных и зависимостей между ними, анализу исходных предположений и пониманию того, как поступление новой информации изменяет результаты модели.

С 2025 года Илья преподаёт вероятностное и байесовское моделирование в ICEUR и является ведущим специалистом ICEUR по практической работе с GeNIe 5.0. Его занятия охватывают теорему Байеса, байесовские сети и полный процесс разработки, анализа и интерпретации вероятностных моделей — от определения переменных и их состояний до построения зависимостей, ввода свидетельств, анализа апостериорных вероятностей и исследования альтернативных сценариев.

Одно из центральных направлений его преподавания — переход от байесовского мышления как теоретической концепции к байесовским сетям как практическому аналитическому инструменту. На практических занятиях с GeNIe 5.0 он показывает, как сложные реальные задачи преобразуются в прозрачные вероятностные структуры, как анализировать и совершенствовать полученные модели и использовать их для систематического анализа и принятия решений в условиях неопределённости.

This lecture focuses on the development and interpretation of Bayesian network models, from translating a real-world problem into a network structure to understanding the probabilistic conclusions produced by the model.

Participants will learn how to identify relevant variables and their possible states, define dependencies between them, and specify conditional probabilities. The lecture will examine how evidence is introduced into a Bayesian network, how it propagates through the model, and how posterior probabilities change as new information becomes available.

Particular attention will be given to interpreting model results, exploring alternative scenarios, and understanding how assumptions about dependencies and probabilities influence conclusions. The session will provide participants with a practical foundation for developing Bayesian network models and using them for structured analysis, forecasting, and decision-making under uncertainty.

Лекция посвящена разработке и интерпретации моделей байесовских сетей — от преобразования реальной задачи в структуру сети до понимания вероятностных выводов, получаемых с помощью модели.

Участники научатся определять значимые переменные и их возможные состояния, устанавливать зависимости между ними и задавать условные вероятности. Будет рассмотрено, как новые данные вводятся в байесовскую сеть, как они распространяются по модели и как меняются апостериорные вероятности по мере поступления новой информации.

Особое внимание будет уделено интерпретации результатов моделирования, анализу альтернативных сценариев и пониманию того, как исходные предположения о зависимостях и вероятностях влияют на выводы. Лекция даст участникам практическую основу для разработки моделей байесовских сетей и их применения в структурированном анализе, прогнозировании и принятии решений в условиях неопределённости.