• 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 учебно-методической работе — Самоненко Илья Юрьевич

 

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

Коллоквиум

Для исследователя в такой разнообразной и быстро развивающейся области знаний, как компьютерные науки, важно сохранять широту кругозора и стремиться понимать, чем занимаются коллеги в смежных областях. Для этого нужна площадка, на которой специалисты встречаются и рассказывают друг другу о последних результатах понятным языком. Такой площадкой и является Коллоквиум факультета компьютерных наук ВШЭ — общефакультетский научный семинар, предназначенный для преподавателей и научных сотрудников факультета, аспирантов, магистрантов и студентов бакалавриата, а также для всех интересующихся компьютерными науками.

Заседания коллоквиума проходят, как правило, раз в две недели по вторникам в здании факультета компьютерных наук по адресу Кочновский проезд, дом 3, в аудитории 205.

Записи мероприятий доступны на канале факультета на YouTube

2018 – 2019

4 декабря, 18:10 – 19:30
Кочновский проезд, 3, ауд. 317

Василий Власов (НИУ ВШЭ)

Развитие эпидемиологических методов: все более приблизительные оценки

Последние десятилетия отмечены разочарованиями, связанными с низкой воспроизводимостью результатов исследований мозга, поведения, в цитологии и генетике. Эпидемиология как наука о распространении событий и их связях никогда не претендовала на большее, чем способность обнаружить события масштабов катастрофы. Тем не менее работы последних десятилетий привели эпидемиологов к существенному изменению методов исследований, чему способствовало развитие регистрации разнообразных данных и повышение мощности и методической изощренности систем анализа этих данных. Технический и социальный прогресс привели не только к уточнению многих оценок и улучшению некоторых методов исследований, но и к разочарованиям в накоплениях 20 века в научном багаже (research record). На ряде примеров мы проследим, как последовательное уточнение эпидемиологических оценок ведет к признанию в принятии решений весьма неформального баланса научных оснований для решений и оснований из-за пределов науки.

Афиша

Регистрация



27 ноября 18:10 – 19:30
Кочновский проезд, 3, ауд. 317

Юрий Янович, НИУ ВШЭ / Bitfury

Блокчейн: определения, приложения, задачи

Блокчейн-технология была впервые реализована в криптовалюте Биткоин и впоследствии нашла применение во многих областях: государственные реестры, цепочки управления поставками, биомедицина, финансовый сектор и проч. В докладе будет рассказано, что такое блокчейн, какие возможности и ограничения есть у данной технологии, а также о существующих и перспективных направлениях ее развития.

Афиша

Регистрация



13 ноября 18:10 – 19:30
Кочновский проезд, 3, ауд. 205

Михаил Биленко, Яндекс

О сетях и соседях: как совершенствовать системы машинного обучения в процессе их использования

Как построить промышленную систему машинного обучения, которую можно было бы эффективно дообучать, избегая рисков и технических затрат, характерных для онлайн-методов машинного обучения? Эффективное решение достигается за счет сочетания самых современных и давно известных алгоритмов. Лучшие результаты на стандартных тестовых наборах данных и в соревнованиях по машинному обучению сейчас показывают методы параметрического обучения, такие как нейронные сети, бустинг деревьев решений, методы факторизации и ансамблевые методы. Однако при использовании систем машинного обучения на практике ситуация кардинально иная. Мы обсудим различия между промышленными и академическими системами машинного обучения, которые приводят к необходимости комбинирования параметрических и непараметрических моделей — современных вариантов алгоритмов ближайших соседей. Комбинированный подход оказывается особенно полезен в случае систем, в которых дообучение должно производиться оперативно, как, например, в системах голосовых помощников.

Афиша

Регистрация



29 октября, 16:40 – 18:00 
Кочновский проезд, 3, ауд. 205

Олег Калашев, ИЯИ РАН

Использование машинного обучения в экспериментах по наблюдению космических лучей сверхвысоких энергий

Поток космических лучей сверхвысоких энергий (КЛСВЭ) настолько мал, что не представляется возможным детектировать их непосредственно в обозримой перспективе. По этой причине во всех существующих и планируемых экспериментах по измерению свойств КЛСВЭ, космические лучи детектируются косвенным образом из наблюдений широких атмосферных ливней (ШАЛ), инициированных частицами сверхвысоких энергий в верхних слоях атмосферы Земли. При этом свойства первичных частиц восстанавливаются из различных наблюдаемых характеристик ШАЛ, таких как видимый профиль ливня, вторичный радиосигнал и другие. Наибольшая статистика на сегодняшний день собрана в экспериментах, использующих наземную решетку детекторов, которая позволяет измерить горизонтальный профиль ШАЛ. Непосредственно наблюдаемой величиной в данном случае является временная развертка сигнала на каждом из сработавших детекторов. По ней с использованием Монте-Карло моделирования развития ливней в атмосфере восстанавливаются свойства первичной частицы, инициировавшей ШАЛ. Причем в традиционном подходе Монте-Карло моделирование используется лишь для того, чтобы фитировать несколько синтетических наблюдаемых величин, таких как плотность и кривизна фронта ливня или время нарастания сигнала. Мы расскажем об альтернативном подходе, основанном на использовании сверточной нейронной сети, на вход которой подаются непосредственно временные развертки сигнала в сработавших детекторах, а обучение производится на примерах, также полученных моделированием ШАЛ методом Монте-Карло.

Афиша

Регистрация



16 октября, 18:10 – 19:30
Кочновский проезд, 3, ауд. 205

Luca Bernardinello (University of Milano-Bicocca)

Asynchronous games for Petri nets

Games on graphs and on trees have been used in the fields of semantics and verification. Usually, they are defined as sequential games, where a play is a sequence of moves by the players.

However, when synthesizing or analyzing distributed systems, in which events happen concurrently and the global state is not observable, this approach is not always appropriate, since concurrency is hidden in the interleaving of events. Therefore, several kinds of games in which the players can move asynchronously have been proposed in recent years. I will present an attempt to define such a game, originally conceived in order to tackle the problem of “observable liveness”, in which an agent tries to control a Petri net so that a given transition will fire over and over, assuming that only a subset of the transitions is directly controllable.

Colloquium

Регистрация



11 сентября, 18:10 – 19:30
Кочновский проезд, 3, ауд. 205

Joseph MacInnes

Head of vision modelling lab / HSE

Computational cognitive neuroscience: A brief primer

Computational models in psychology and neuroscience share many algorithms with machine learning, machine vision and artificial intelligence, but the focus of the research is different. Where applied fields try to create algorithms that solve or automate a specific problem, computational modelling uses these algorithms to better understand fundamental workings of human brain and cognition. Rather than optimizing a new process, we try to simulate and understand an existing process. While computational modelling is still a growing field, there have emerged a number of contenders that perform very well in simulating various neural and cognitive processes. Diffusion models of decision making, salience models of vision and more recently deep learning models of object classification have all shown promise on their respective tasks. This talk will give an overview of a number of these models and discuss possible points of overlap with computer science and cognitive psychology.

Colloquium

Регистрация


4 сентября, 18:10 – 19:30 
Кочновский проезд, 3, ауд. 205

Елена Блантер, Институт теории прогноза землетрясений и математической геофизики РАН / Institut de Physique du Globe de Paris

Как увидеть ненаблюдаемое? Моделирование сложных систем с фазовой синхронизацией на примере меридионального потока Солнца

Сколько ни следи за рулеткой, следующий номер предсказать не удастся. Время восхода и заката Солнца может быть высчитано с астрономической точностью на много лет вперед или назад. А как моделировать сложные системы, которые совмещают периодичность с хаосом? Как использовать огромный объем наблюдений «снаружи» для понимания того, что происходит «внутри»? Написать уравнение исходя из законов физики? А что делать, если параметры «внутри» неизвестны или если физическая модель оказывается не менее сложной в предсказании, чем сама система? А если еще и наблюдения все время меняются, а характерные времена велики? Все эти «если», «что» и «как» возникают при изучении солнечной активности. Модель фазовой синхронизации Курамото в применении к Солнцу позволяет понять, что происходит «внутри» на основе наблюдений на поверхности, без написания сложных физических уравнений, через решение простой обратной задачи.

Будет рассказано о первых результатах применения модели фазовой синхронизации для исследования солнечной активности: что удалось определить и как это соотносится с параллельными исследованиями в моделировании магнитного гидродинамо и гелиосейсмологии. Полученные результаты открывают новые направления для применения методов компьютерных наук в исследовании больших природных систем, таких как Солнце, Земля и сложная система их взаимодействия.

Афиша

Регистрация

Что было в 2017/2018 году


Что было в 2016/2017 году


Что было в 2015/2016 году


Что было в 2014/2015 году