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

Адрес: 109028, г. Москва, Покровский бульвар, д. 11

Телефон: +7 (495) 531-00-00 *27254

Email: computerscience@hse.ru

 

Руководство
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
19 ноября – 20 ноября
26 ноября – 30 ноября
30 ноября, 10:00
19 февраля 2020 – 22 февраля 2020
Образовательные программы
Бакалаврская программа

Прикладная математика и информатика

4 года
Очная форма обучения
117/80/30
117 бюджетных мест
80 платных мест
30 платных мест для иностранцев
RUS/ENG
Обучение ведётся на русском и английском языках
Бакалаврская программа

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

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

Программная инженерия

4 года
Очная форма обучения
110/70/30
110 бюджетных мест
70 платных мест
30 платных мест для иностранцев
RUS/ENG
Обучение ведётся на русском и английском языках
Магистерская программа

Анализ данных в биологии и медицине

2 года
Очная форма обучения
20/5/1
20 бюджетных мест
5 платных мест
1 платное место для иностранцев
RUS/ENG
Обучение ведётся на русском и английском языках
Магистерская программа

Магистр по наукам о данных

2 года
Заочная
100
100 платных мест
ENG
Обучение ведётся на английском языке
Магистерская программа

Науки о данных

2 года
Очная форма обучения
60/15/20
60 бюджетных мест
15 платных мест
20 платных мест для иностранцев
RUS/ENG
Обучение ведётся на русском и английском языках
Магистерская программа

Системная и программная инженерия

2 года
Очная форма обучения
25/5/15
25 бюджетных мест
5 платных мест
15 платных мест для иностранцев
RUS/ENG
Обучение ведётся на русском и английском языках
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
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

Финансовые технологии и анализ данных

2 года
Очная форма обучения
35/1
35 платных мест
1 платное место для иностранцев
RUS/ENG
Обучение ведётся на русском и английском языках
Статья
Sparse covariance matrix estimation in high-dimensional deconvolution

Belomestny D., Trabs M., Tsybakov A.

Bernoulli: a journal of mathematical statistics and probability. 2019. Vol. 25. No. 3. P. 1901-1938.

Статья
Axiomatization of provable n-provability

Beklemishev L. D., Kolmakov E.

Journal of Symbolic Logic. 2019. Vol. Volume 84. No. Issue 2. P. 849-869.

Глава в книге
ChronosDB in Action: Manage, Process, and Visualize Big Geospatial Arrays in the Cloud

Rodriges Zalipynis R. A.

In bk.: Proceedings of the ACM SIGMOD International Conference on Management of Data. NY: ACM, 2019. P. 1985-1988.

Научный семинар центра глубинного обучения и байесовских методов

16+
Мероприятие завершено

На научном семинаре сотрудники Центра, члены исследовательской группы байесовских методов и приглашенные докладчики рассказывают о новейших мировых разработках в глубинном обучении, нейробайесовских методах и методах стохастической оптимизации, представляют результаты своих исследований.

Когда: 15.11.2019

Где: Покровский бульвар, 11, аудитория R 304

 

Выступит: Арсений Ашуха, PhD Candidate at Bayesian Methods Research Group & Samsung AI

Тема: The state of uncertainty

Аннотация: Uncertainty estimation and ensembling methods go hand-in-hand. Uncertainty estimation is one of the main benchmarks for assessment of ensembling performance. At the same time, deep learning ensembles have provided state-of-the-art results in uncertainty estimation. In the talk, we will consider the most popular metrics for in-domain uncertainty estimates and its pitfalls and fixes. We will discuss the results of a broad study of different ensembling techniques, and introduce the deep ensemble equivalent---a new metric that allows us to compare the result of ensembling between different architectures and datasets. We will see that many sophisticated ensembling techniques are equivalent to an ensemble of very few independently trained networks. Depending on available time we will cover the study of out-of-domain uncertainty by Ovadia 2019 (https://arxiv.org/abs/1906.02530).

В осеннем семестре 2019 г. семинар проходит в комплексе Вышки на Покровском бульваре (Покровский бульвар, 11) в аудтории R 304 по пятницам.

Начало — в 19:00.

Расписание семинара, аннотации, видео и материалы докладов доступны по ссылке.