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

Адрес: 125319, г. Москва, 
Кочновский проезд, д. 3 (станция метро "Аэропорт").

Телефон: +7 (495) 772-95-90 *12332

Email: computerscience@hse.ru

 

Руководство

Декан Аржанцев Иван Владимирович

Первый заместитель декана Вознесенская Тамара Васильевна

Заместитель декана по научной работе и международному сотрудничеству Объедков Сергей Александрович

Заместитель декана по учебно-методической работе Самоненко Илья Юрьевич

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

Мероприятия
12 июня – 14 июня
submission: 1 May 2019 
17 июня – 22 июня
Ранняя регистрация: до 15 апреля Закрытие регистрации: 15 мая 
1 июля – 10 июля
Прием заявок — до 21 апреля 
26 августа – 6 сентября
Регистрация – до 12 мая 
26 августа – 30 августа
Registration and Poster Submission deadline — May 1, 2019 
Образовательные программы
Бакалаврская программа

Прикладная математика и информатика

4 года
Очная форма обучения
110/80/15
110 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
70/12
70 платных мест
12 платных мест для иностранцев
ENG
Обучение ведётся на английском языке
Бакалаврская программа

Программная инженерия

4 года
Очная форма обучения
80/70/15
80 бюджетных мест
70 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
15/5/2
15 бюджетных мест
5 платных мест
2 платных места для иностранцев
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
25/5/8
25 бюджетных мест
5 платных мест
8 платных мест для иностранцев
ENG
Обучение ведётся на английском языке
Магистерская программа

Системное программирование

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

Статистическая теория обучения

2 года
Очная форма обучения
20/5/4
20 бюджетных мест
5 платных мест
4 платных места для иностранцев
ENG
Обучение ведётся на английском языке
Магистерская программа

Финансовые технологии и анализ данных

2 года
Очная форма обучения
35/3
35 платных мест
3 платных места для иностранцев
RUS/ENG
Обучение ведётся на русском и английском языках
Статья
Unconstrained and Curvature-Constrained Shortest-Path Distances and Their Approximation

Arias-Castro E., Le Gouic T.

Discrete and Computational Geometry. 2019. P. 1-28.

Статья
Relations between counting functions on free groups and free monoids

Hartnick T., Talambutsa Alexey.

Groups, Geometry, and Dynamics. 2018. Vol. 12. No. 4. P. 1485-1521.

Статья
Reduced vs. standard dose native E. coli-asparaginase therapy in childhood acute lymphoblastic leukemia: long-term results of the randomized trial Moscow–Berlin 2002

Karachunskiy A., Tallen G., Roumiantseva J. et al.

Journal of Cancer Research and Clinical Oncology. 2019.

Статья
Branching rules related to spherical actions on flag varieties
В печати

Roman Avdeev, Petukhov A.

Algebras and Representation Theory. 2019.

Статья
Minimax theorems for American options without time-consistency

Belomestny D., Kraetschmer V., Hübner T. et al.

Finance and Stochastics. 2019. Vol. 23. P. 209-238.

Статья
Separable discrete functions: Recognition and sufficient conditions

Boros E., Cepek O., Gurvich V.

Discrete Mathematics. 2019. Vol. 342. No. 5. P. 1275-1292.

Семинар по биоинформатике «DeepGSR: оптимизированная структура глубинного обучения для распознавания геномных сигналов и участков»

Мероприятие завершено

На факультете компьютерных наук проходит регулярный семинар, посвященный методам машинного обучения в биоинформатике. Руководит семинаром Мария Попцова, доцент департамента больших данных и информационного поиска

Методы машинного обучения уже нашли широкое применение в областях генетики и геномики. Они оказались наиболее полезны для интерпретации больших наборов геномных данных и аннотации большого числа элементов генома. Методы машинного обучения были успешно применены для распознавания сайтов старта транскрипции, сплайс-сайтов, альтернативного сплайсинга, промотеров, энхансеров, расположения нуклеосом. После революции в технологиях секвенирования накопление экспериментальных данных происходит быстрее, чем построение моделей, объясняющих функционирование генома. Необходима как разработка новых подходов, методов и алгоритмов, так и освоение технологий работы с системами больших данных геномики. На семинаре у слушателей будет возможность познакомиться с современными исследованиями в области применения методов машинного обучения к анализу геномных данных ведущих университетов мира, таких как Harvard, MIT, Cambridge, Sorbonne, EMBL-EBI и др.

По четвергам (каждые две недели), аудитория 435 (Кочновский пр-д, д.3)

Даты на 3-4 модуль: 31 января, 14 февраля, 28 февраля, 14 марта, 4 апреля, 18 апреля,
16 мая, 23 мая

Приглашаются все желающие. Для участия и заказа пропуска в здание необходимо пройти регистрацию. 

Регистрация

23 мая 2019, 19:40-21:00, ауд. 435

DeepGSR: оптимизированная структура глубинного обучения для распознавания геномных сигналов и участков

Работа ученых Научно-технологического университета имени короля Абдаллы, Саудовская Аравия (King Abdullah University of Science and Technology, Saudi Arabia), (“DeepGSR: an optimized deep-learning structure for the recognition of genomic signals and regions”, Kalkatawi et al.); публикация в Bioinformatics, 2019 г. Распознавание различных геномных сигналов и участков (genomic signals and regions- GSRs) ДНК критично для понимания организации генома, генной регуляции и генной функции, что помогает создавать более точные аннотации генов и геномов. Компьютерные методы для распознавания GSR требуют отбора свойств последовательностей, и их идентификация по-прежнему остается актуальной задачей. В данной работе авторы исследуют потенциал методов глубинного обучения для распознавания GSR. Авторы разработали программный пакет на основе сверточных сетей для распознавания сигналов полиадениляции и старта начала транскрипции для различных организмов: человека, мыши, быка и мухи. Результаты показали преимущество по сравнению с другими компьютерными методами, кроме того продемонстрировали консервативность сигналов среди разных видов. Программная реализация модели доступна на https://zenodo.org/record/1117159#.XOOoIqZS__Q.