Открытые лекции ФКН. День второй

2, 6 и 8 апреля состоятся Открытые лекции, приуроченные к Дням компьютерных наук и празднованию пятилетия факультета. Для посещения лекций необходима регистрация.

Программа на 6 апреля:

11:00-12:00, ауд. 205
Антон Конушин, доцент департамента больших данных и информационного поиска: "Зрение домашних роботов - текущее состояние и развитие"

Беспилотные автомобили регулярно появляются в новостях, потому что эта технология внедряется уже сейчас, и над ней работают большинство исследователей в области робототехники. Домашние роботы-помощники пока представлены лишь роботами-пылесосами, чей интеллект вызывает сомнения. В докладе я расскажу про некоторые отличия задач зрения роботов для автомобилей и для домашних роботов, текущее состояние области и перспективы развития.

12:00-13:00, ауд. 509
Андрей Ромащенко, научный сотрудник ИППИ РАН: "Применение энтропии Шеннона в комбинаторных задачах"

Доклад будет посвящен применениям энтропии Шеннона в комбинаторных задачах. Мы обсудим классические результаты - неравенство Ширера, теорему Брегмана о перманенте, а также некоторые оценки для раскрасок графов, семейств хэш-функций и псевдо-случайных перестановок. В заключение мы поговорим об условных информационных неравенствах и их приложениях в теории графов и коммуникационной сложности.

13:00-14:00, ауд. 205
Даниил Скоринкин, руководитель образовательной программы "Цифровые методы в гуманитарных науках": Корпус rus.dracor.org для количественных исследований русской драмы

rus.dracor.org — проект школы лингвистики и центра цифровых гуманитарных исследований НИУ ВШЭ, посвященный количественному анализу русских драматических текстов. Пьесы в корпусе снабжены разметкой в формате TEI/XML, позволяющие производить автоматизированный анализ текстов: от исследования социальных сетей персонажей (первоначальная цель создания корпуса) до тематического моделирования реплик и лингвистического анализа эволюции сценических ремарок (stage directions) в русской драме. Корпус охватывает период с середины XVIII по середину XX века, от М.В. Ломоносова до М.А. Булгакова. Я расскажу о том, какие исследования проводятся на базе корпуса и что нового позволяет увидеть в классических пьесах такая цифровая оптика.

14:00-15:00, ауд. 509
Дмитрий Николаев, кандидат физико-математических наук, заместитель диреткора по научной работе ИППИ им. А. А. Харкевича: "Визуализация мультиспектральных изображений"

Мы обсудим, как можно визуализировать изображения с большим числом каналов, и почему рассматриваемая задача -- это не задача понижения размерности, хотя может быть к ней сведена. Рассмотрим некоторые особенности работы зрительной системы человека, которые стоит учитывать при визуализации. Разберемся, что под словом "изображение" скрывается как минимум два разных объекта -- оптическое и цифровое изображения. Попытаемся понять, так ли очевидно, что одноканальное цифровое изображение нужно визуализировать изохроматическим (в оттенках одного цвета) оптическим. Придумаем, какая математическая конструкция может служить градиентом векторного поля. Наконец, привяжем все вышеперечисленное к проблеме отладки сверточных нейросетей.

15:00-16:00, room 205
Bernhard Ganter, professor (TU-Dresden): "Conceptual Exploration – a knowledge acquisition tool with future"

Over several decades researchers from NRU-HSE have co-operated with colleagues from Germany and France in the development of a new method of data analysis. It is "conceptual" rather than numerical, but nevertheless mathematically sound and computationally strong. One of our joint results is a state-of-the-art book documenting a useful knowledge acquisition method, "Conceptual Exploration". In out talk, we will try to convince the audience that this is indeed a method "with a future".

16:00-17:00, ауд. 509
Денис Деркач, доцент департамента больших данных и информационного поиска: "Машинное обучение для фундаментальных исследований"

Применение методов машинного обучения стало необходимым этапом анализа данных в физике высоких энергий. Эти методы используются на всех стадиях от первичного сбора данных до финального анализа. В докладе рассматриваются наиболее актуальные разработки в области машинного обучения, позволяющих в экспериментах Большого адронного коллайдера набирать терабайты высококачественных данных. Особое внимание будет уделено системам сбора и анализа информации в эксперименте LHCb. В докладе также описываются перспективные разработки, использование которых ожидается в следующем запуске Большого адронного коллайдера в 2021 году: использование подходов машинного обучения для ускорения симуляции взаимодействия частиц с детектором с помощью генеративно-состязательных нейронных сетей и контроль качества набираемых экспериментом данных.

17:00-18:00, ауд. 205
Андрей Устюжанин, доцент базовой кафедры Яндекс: "From GigScience to Combined Intelligence of Machine and Crowd"

Онлайн образование захватывает все новые рубежи. Современные платформы масштабируются для передачи нужной информации студенту: иллюстрации базовых концепций, теоретические основы и т.п. В то же время практические навыки передать онлайн затруднительно, их можно только приобрести через личный опыт. Такие сложности затрудняют обучение естественно-научным направлениям (физика, химия, биология и т.п.). В то же время ощущается нехватка квалификации в работе с продвинутыми методиками анализа данных при решении задач очистки сигнала от шума, оптимизации конструкций, поиска белковых структур и сотен других задач. Отчетливо видно, что с одной стороны присутствует избыток рабочих сил, интереса в приобретении практики, с другой - нехватка интеллектуальных ресурсов. 
Такое положение приводит к захватывающему технологичному win-win проекту. Возможный подход для разрешения противоречия - создание платформы для поддержки фокусных исследовательских гиг-научных групп для работы в соревновательно-колаборационном формате. Такие рабочие группы, состоящие из исследователей предметных областей и слушателей онлайн программ, позволят решить обе проблемы: масштабирования практических онлайн программ и повысить уровень используемых технологий анализа данных в прикладных научных задачах. Рассказ о такой платформе сопровождается описанием примеров практических проектов и разноплановых задач: от правил геймификации до autoML следующего поколения, в решении которых вы тоже можете поучаствовать.

 Афиша (PDF, 530 Кб)