• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
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.

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.

Обучение с подкреплением

Преподаватель

Борисяк Максим Александрович

Научно-учебная лаборатория методов анализа больших данных: Стажер-исследователь

 

Расписание

по понедельникам с 18.10 до 21.00
с 21.01 по 18.03 — ауд. 622 
экзамен состоялся 30 марта

Программа факультатива

Обучение с подкреплением — наука об управлении злобным агентом в выдуманном мире (с)

Если приглядеться к нашей с вами жизни, можно заметить, что мы (люди) обычно занимаемся отнюдь не разметкой примеров и отображением X->y, минимизирующим эмпирический риск: мы существуем в мире, на который мы можем влиять, и который в свою очередь влияет на нас. А хотим мы в этом мире добиваться каких-то результатов: дойти до “из точки Aточки B”, заработать побольше денег, привлечь и удержать пользователя - кому что ближе. 

Задачи эти объединяет то, что в них вам придётся двигаться методом проб, ошибок, шишек и новых проб - у вас просто нет всеобъемлющей выборки, в которой есть правильная стратегия поведения во всех ситуациях. А ещё эти задачи объединяет то, что их можно решать автоматически. Да-да, творческий поиск решения задачи, выбор дизайна страницы или повышение “скилла” в любимой игрушке - машины это уже умеют.

Курс очень хочет дать своим слушателям понимание и практические навыки использования таких “машин”, именуемых “Алгоритмами обучения с подкреплением” или “Reinforcementlearning”. В меню - теоретическая база, практические задания, инженерные “хаки” и неординарные предметные области. Даже биржевую торговлю завезли. 

А ещё этот курс немного связан с методами глубокого обучения - их тут около трети. Так уж вышло, что многие задачи ReinforcementLearningсейчас лучше всего решаются с применением пресловутых “нейронок”. Если Вы их не знаете - не бойтесь, научим.

Пререквизиты:

Машинное обучение 1, Теория вероятностей

Полезно, но не обязательно — машинное обучение 2 и байесовские методы

Отчётность:

Модель отчётности: оценки ставятся по баллам, которые выдаются за выполнение форм контроля.

Основной источник баллов – домашние задания. Они выдаются после семинаров, делаются, отправляются, проверяются и зарабатывают баллы. 

Второй источник баллов — проекты. Их можно делать, а можно не делать, зато делать больше домашек. Проекты — решение любой нетривиальной задачи RL, воспроизведение статьи или что-то близкое по духу. Правила для проектов аналогичны нашему курсу deeplearning — https://github.com/yandexdataschool/HSE_deeplearning/wiki/Course-projects