Мы используем файлы cookies для улучшения работы сайта НИУ ВШЭ и большего удобства его использования. Более подробную информацию об использовании файлов cookies можно найти здесь, наши правила обработки персональных данных – здесь. Продолжая пользоваться сайтом, вы подтверждаете, что были проинформированы об использовании файлов cookies сайтом НИУ ВШЭ и согласны с нашими правилами обработки персональных данных. Вы можете отключить файлы cookies в настройках Вашего браузера.
Адрес: 109028, г. Москва, Покровский бульвар, д. 11
Телефон: +7 (495) 531-00-00 *27254
Email: computerscience@hse.ru
Факультет готовит разработчиков и исследователей. Программа обучения сформирована с учётом опыта ведущих американских и европейских университетов, таких как Stanford University (США) и EPFL (Швейцария), а также Школы анализа данных — одной из самых сильных магистратур в области computer science в России. Широкий список курсов по выбору и значительная доля программы, выделенная под них, позволит каждому студенту сформировать свою собственную образовательную траекторию. В основе обучения — практика и проектная работа.
Belavin V., Ustyuzhanin A., Широбоков С. К. et al.
In bk.: Advances in Neural Information Processing Systems 33 (NeurIPS 2020). Curran Associates, Inc., 2020. P. 14650-14662.
Kuznetsova A., Nurislamova Y., Ossadtchi A.
Neuroimage. 2021. Vol. 228.
Kanovich M., Kuznetsov S., Scedrov A.
Journal of Logic, Language and Information. 2021. Vol. 30. No. 1. P. 31-88.
Преподаватель: Денис Симагин. Выпускник ФКН, разработчик в команде Яндекс.Карты.
Факультатив познакомит слушателя с задачами машинного обучения. Курс носит прикладной характер —он предполагает введение базовых понятий для трех разделов: обучение с учителем, обучение с подкреплением и обучение без учителя. Современные модели и подходы обучения будут рассмотрены сквозь призму решения реальных проблем. Будет проведено подробное сравнение популярных библиотек и инструментов, а для закрепления материала будет предложено обучить модели для упрощенных задач.
Курс сформирует понимание, в какую сторону сейчас развивается машинное обучение и, возможно, поможет определиться с направлением для дальнейших исследований.
Для прохождения понадобится стандартная математическая база, знания теории вероятностей и навык разработки на Python3.
Необходимо рассчитывать на интенсивную самостоятельную работу.
Программа
Расписание:
по четвергам с 16.40 до 19.30
24.01 - ауд. 317
с 31.01 по 21.03 - ауд. 622 - 3 модуль
28.02 - аудитория 219 (один раз)
с 04.04 по 13.06 - ауд. 622 - 4 модуль
16 мая - в ауд. 435