• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Контакты

Тел.: +7 (495) 772-95-90 * 12332

computerscience@hse.ru

125319, Москва, Кочновский проезд, д. 3 (недалеко от станции метро "Аэропорт"). 

 

Руководство

Декан — Аржанцев Иван Владимирович

 

Первый заместитель декана факультета — Вознесенская Тамара Васильевна

 

Заместитель декана по научной работе и международным связям — Объедков Сергей Александрович

 

Заместитель декана по развитию и административно-финансовой работе — Плисецкая Ирина Александровна

Образовательные программы
Бакалаврская программа

Прикладная математика и информатика

4 года
Очная форма обучения
100/80/15
100 бюджетных мест
80 платных мест
15 платных мест для иностранцев
RUS
Обучение ведётся на русском языке
Бакалаврская программа

Программа двух дипломов НИУ ВШЭ и Лондонского университета "Прикладной анализ данных"

4 года
Очная форма обучения
80/10
80 платных мест
10 платных мест для иностранцев
ENG
Обучение ведётся на английском языке
Бакалаврская программа

Программная инженерия

4 года
Очная форма обучения
80/80/15
80 бюджетных мест
80 платных мест
15 платных мест для иностранцев
RUS
Обучение ведётся на русском языке
Магистерская программа

Анализ данных в биологии и медицине

2 года
Очная форма обучения
15/5/3
15 бюджетных мест
5 платных мест
3 платных места для иностранцев
RUS/ENG
Обучение ведётся на русском и английском языках
Магистерская программа

Математические методы оптимизации и стохастики

2 года
Очная форма обучения
RUS/ENG
Обучение ведётся на русском и английском языках
Магистерская программа

Науки о данных

2 года
Очная форма обучения
55/15/6
55 бюджетных мест
15 платных мест
6 платных мест для иностранцев
RUS/ENG
Обучение ведётся на русском и английском языках
Магистерская программа

Системная и программная инженерия

2 года
Очная форма обучения
20/10/12
20 бюджетных мест
10 платных мест
12 платных мест для иностранцев
ENG
Обучение ведётся на английском языке
Магистерская программа

Системное программирование

2 года
Очная форма обучения
20/10/5
20 бюджетных мест
10 платных мест
5 платных мест для иностранцев
RUS/ENG
Обучение ведётся на русском и английском языках
Магистерская программа

Статистическая теория обучения

2 года
Очная форма обучения
20/5/5
20 бюджетных мест
5 платных мест
5 платных мест для иностранцев
ENG
Обучение ведётся на английском языке
Магистерская программа

Финансовые технологии и анализ данных

2 года
Очная форма обучения
30/3
30 платных мест
3 платных места для иностранцев
RUS/ENG
Обучение ведётся на русском и английском языках
Статья
Linear switched dynamical systems on graphs
В печати

Protasov V. Y., Cicone A., Guglielmi N.

Nonlinear Analysis: Hybrid Systems. 2018. Vol. 29. P. 165-186.

Статья
Final Results of the OPERA Experiment on ντ Appearance in the CNGS Neutrino Beam

Ustyuzhanin A.

Physical Review Letters. 2018. Vol. 120. No. 21. P. 211801-1-211801-7.

Статья
Qualitative Judgement of Research Impact: Domain Taxonomy as a Fundamental Framework for Judgement of the Quality of Research

Murtagh F., Orlov M. A., Mirkin B.

Journal of Classification. 2018. Vol. 35. No. 1. P. 5-28.

Статья
Predictive Model for the Bottomhole Pressure based on Machine Learning
В печати

Spesivtsev P., Sinkov K., Sofronov I. et al.

Journal of Petroleum Science and Engineering. 2018.

Статья
New and old results on spherical varieties via moduli theory

Roman Avdeev, Cupit-Foutou S.

Advances in Mathematics. 2018. Vol. 328. P. 1299-1352.

Мини-курс: Advanced statistical methods. Владимир Спокойный (НИУ ВШЭ/Weierstrass Institute, Германия)

Мероприятие завершено

Advanced statistical methods

Владимир Спокойный (НИУ ВШЭ/Weierstrass Institute, Германия)

Расписание курса:

12, 19, 26 февраля 18:10 – 21:00, ауд. 205
13, 20, 27 февраля 18:10 – 21:00, ауд. 509
9 апреля 13:40 – 16:30, ауд. 317
10 апреля 15:10 – 18:00, ауд. 205
16 апреля 15:10 – 18:00, ауд. 205
17 апреля 15:10 – 18:00, ауд. 509

Заказать пропуск в здание (Кочновский пр-д, 3)kkorshunova@hse.ru

Short Course Description

This course introduces the main notions, approaches, and methods of nonparametric statistics. The main topics include smoothing and regularization, model selection and parameter tuning, structural inference, efficiency and rate efficiency, local and sieve parametric approaches. The study is mainly limited to regression and density models. The topics of this course form an essential basis for working with complex data structures using modern statistical tools.

Course structure: lectures, seminars, exam.

Prerequisites

Probability theory, linear algebra, mathematical analysis.

Nonparametric Regression

  • Regression models: design, errors, and response function.
  • Projection estimation. The case of orthogonal design.
  • Bias, variance, risk of estimation, rate and accuracy, smoothness classes.

Regularization and roughness penalty

Ridge regression, roughness penalty, penalized maximum likelihood estimation, impact of regularization, modeling bias, complexity, bias-variance trade-off.

Model selection by SURE and AIC, Cross validation

Problem of model choice. Penalized model selection. Akaike criterion. Stein unbiased risk estimation. Parameter tuning by cross-validation.

Model section by smallest accepted

Ordered Model selection and multiple testing. Smallest accepted rule. Parameter tuning by propagation condition and multiplicity correction.

Wavelet methods: hard and soft thresholding

Sequence space model. Wavelet decomposition. Nonlinear wavelet estimation. Hard and soft thresholding.

Density model: Kernel and projection methods

Nadaraya-Watson estimator, high-order kernels. Rate of estimation. Reduction to sequence space model. Wavelet density estimation.

List of References Required or Recommended for the Course

Course materials/Textbooks:

  1. Wassermann, L. "All of nonparametric statistics." (2006). Springer
  2. Rohde, Charles A. Introductory statistical inference with the likelihood function. Springer International Publishing, 2014.
  3. Tsybakov, Alexandre B. "Introduction to nonparametric estimation" (2009).
  4. Spokoiny, V. and Dickhaus, T. “Basics of moderm mathematical Statistics” (2015) Springer

Additional sources:

  1. Stéphane Boucheron, Olivier Bousquet and Gábor Lugosi “Theory of Classification: a Survey of Some Recent Advances”, ESAIM: P&S, 2005, Vol. 9, p. 323-375
  2. Bartlett, Peter L., Boucheron, Stephane, Gábor Lugosi (2002) “Model Selection and Error Estimation”, Machine Learning (48), 85-113