Летняя практика

В ходе прохождения практики студенты смогут познакомиться с реальными научно-техническими задачами, требующими от студентов погружения в интересную предметную область и владение соответствующими навыками в областях анализа данных, машинного обучения и/или разработки программного обеспечения. Работа над проектами может проходить на взаимовыгодной основе. Подробности можно узнать по адресу ntalaikova@hse.ru

Проекты 2024:

Будут анонсированы в апреле-мае 2024 года
_______________________________________

По вопросам прохождения практики писать на ntalaikova@hse.ru

Проекты прошлых лет:

Проекты 2023

Название проекта и контактное лицо	Описание проекта Цель, задачи	Пререквизиты	Уровень студентов (курс)	Количество мест
Трофимова Екатерина Алексеевна etrofimova@hse.ru	Предиктивная аналитика на реальных индустриальных установках позволяет снизить время ремонта оборудования и увеличить эффективность производства. Применение методов машинного обучения в реальных задачах при этом затрудненно повышеным требованием к робастности алгоритмов и сложностями с их тренировкой из-за способа сбора данных. В этой летней практике предполагается улучшить и дополнить существующие алгоритмы, работая с реальными данными, собранными с индустриальных механизмов. 1. На имеющихся данных реализовать базовое решение. 2. Проверить изменение качества базового решения в зависимости от частоты считывания данных. 3. Проверить возможность построения оптимального расписания считывания данных при непериодическом считывании. 4. Поиск оптимального решения в зависимости от использованного датчика (вибрация, электрический, звуковой).	python, ML, DL	Бакалавриат (3+) Магистратура	5
Гущин Михаил Иванович mhushchyn@hse.ru	Цель практики заключается в развитии и улучшении открытой библиотеки roerich https://github.com/HSE-LAMBDA/roerich. Библиотека содержит методы для обнаружения изменений во входном потоке данных и детектирования точек разладки во временных рядах. Библиотека преднахначена для решения задач мониторинга входных данных моделей машинного обучения и обнаружению сбоев систем по показаниям сенсоров. Участники смогут решить одну или несколько задач из списка: 1) Реализовать новые методы обнаружения сдвигов в данных; 2) Сравнить методы из библиотеки с существующими аналогами; 3) Подготовить примеры использования для решения реальных задач; 4) Написать статью в блоге по анализу данных (хабр, towards data science и др.); 5) Разработать новые методы интеративной визуализации;	python, ML	Бакалавриат (3+) Магистратура	5
Гущин Михаил Иванович mhushchyn@hse.ru	Цель практики заключается в развитии и улучшении новой открытой библиотеки probaforms https://github.com/HSE-LAMBDA/probaforms. Probaforms - это библиотека условных генеративных моделей машинного обучения таких как GAN, нормализационные потоки, вариационные автокодировшики, диффузионные модели и другие. Библиотека предназначена для генерации синтетических табличных данных, решения задач вероятностной регрессии и прогноза неопределенностей прогнозов. Участники смогут решить одну или несколько задач из списка: 1) Реализовать одну или несколько условных генеративных моделей (GAN, NF, VAE, Diffusion etc.); 2) Сравнить разныем методы из библиотеки на примерах; 3) Подготовить примеры использования для решения реальных задач; 4) Написать статью в блоге по анализу данных (хабр, towards data science и др.); 5) Разработать новые методы интеративной визуализации;	python, pytorch, ML, DL	Бакалавриат (3+) Магистратура	5
Гущин Михаил Иванович mhushchyn@hse.ru	Целью практики является разработка надежных моделей машинного обучения для задачи моделирования производительности систем хранения данных. Задача заключается в предсказании производительности реальной системы по параметрам подаваемой внешней нагрузки и конфигурации самой системы. Задача решается алгоритммами регрессии и генеративными моделями машинного обучения. Участникам практики предстоит решать следующие задачи: 1) Разработать один или несколько известных алгоритмов определения неопределенностей прогнозов моделей машинного обучения; 2) Применить эти алгоритмы к задаче моделирования производительности системы; 3) Провести анализ полученных результатов.	python, pytorch, ML, DL	Бакалавриат (3+) Магистратура	5
Ратников Федор Дмитриевич fratnikov@hse.ru	Целью практики является реализация подхода для определения равномерности покрытия пространства объектов генеративными моделями Участникам практики предстоит решать следующие задачи: 1) Обучить несколько генеративных моделей с использованием различных подходов 2) Разработать метрику определения похожести генерируемых объектов 3) С использованием метрики определить степень кластеризации генерируемых объектов вокруг опорных объектов тренировочной выборки.	python, pytorch, ML, DL	Бакалавриат (3+) Магистратура	3
Лазарев Михаил Владимирович mvlazarev@hse.ru	Целью практики является использования методов генерации символьных выражений (уравнений) для описания свойств или эволюции системы Участникам практики предстоит решать следующие задачи: 1. Нахождение символьной зависимости, определяющее свойство системы 2. Нахождение диференциального уравнения описыващее эволюцию замкнутой системы	python, pytorch, ML, DL	Бакалавриат (3+) Магистратура	2
Лазарев Михаил Владимирович mvlazarev@hse.ru	Целью практики является создание алгоритма предсказание оптических свойств полупроводниковых наноструктур Участникам практики предстоит решать следующие задачи: 1) Создать датасет наноструктур 2) Разработать алгоритм машинного обуения для прогнозирования спектральных свойств наноструктуры	python, pytorch, ML, DL , matlab	Бакалавриат (3+) Магистратура	2
Лазарев Михаил Владимирович mvlazarev@hse.ru	Целью практики является построение модели дифузии дефектов в двухмерном материале Участникам практики предстоит решать следующие задачи: 1) Разработать физическую модель дифузии используя результаты алгоритмов символьной реграссии 2) Исследовать зависимость конечной конфигурации дефектов в материале в зависимости от начальных условий	python, pytorch, ML, DL	Бакалавриат (3+) Магистратура	2
Лазарев Михаил Владимирович mvlazarev@hse.ru	Целью практики является нахождение конфигурации дефектов с заданными свойствами Участникам практики предстоит решать следующие задачи: 1) Обучить несколько генеративных моделей с использованием различных подходов. 2) Использовать подход символьной регрессии для полученя конфигурации с заданными свойствами.	python, pytorch, ML, DL	Бакалавриат (3+) Магистратура	2
Лазарев Михаил Владимирович mvlazarev@hse.ru	Целью практики является построение достоверных моделей моделирования деформационного поведения композиционных материалов с помощью нейросетевых моделей Участникам практики предстоит решать следующие задачи: 1) Построение ML модели для определения и предсказания деформационных свойств композитов	python, pytorch, ML, DL	Бакалавриат (3+) Магистратура	2
Мохненко Сергей Николаевич smohnenko@hse.ru	Целью практики попробовать найти преселекции в данных Монте-Карло субдетектора RICH LCHb Попробовать не сильного глубокими деревьями классифицировать семплы, калибровочный от монте-карло. Возможно деревья смогут захватить преселекции, которые не видно, но которые вредят качествую моделирования.	ML, scikit-learn	Бакалавриат (3+) Магистратура	1
Al-Maeeni A. R al-maeeni@hse.ru	Develop an optimization method to find defects combiniations based on the required physical attributes such as energy, formation energy, band gap, homo, and lumo. The materials of intereset are two-dimensional transition metal dichalcogenides (TMDCs), atomically thin TMDCs usually contain various defects, which enrich the lattice structure and give rise to many intriguing properties. Engineered point defects in two-dimensional (2D) materials offer an attractive platform for solid-state devices that exploit tailored optoelectronic, quantum emission, and resistive properties. - Develop/Improve invertable SO(3) equivariant descriptors - Develop/Improve optimization/search methods to find the optimal defect configuration in the defects space	ML, DL, Bayesian methods, Group Theory, Pytorch, JAX	Бакалавриат (3+) Магистратура	3

Проекты 2022

Название проекта и контактное лицо	Описание проекта Цель, задачи	Пререквизиты	Уровень студентов (курс)	Количество мест
Решение обратной задачи магнитной спектроскопии Активных Областей Солнца методами глубокого обучения Деркач Денис Александрович dderkach@hse.ru	Восстановление параметров атмосферы Солнца по наблюдаемым спектро-поляриметрическим данным. В настоящее время в Крымской астрофизической обсерватории (КрАО) ведутся работы по созданию нового солнечного спектрополяриметра на базе спектрографа Башенного солнечного телескопа (БСТ-1), новый инструмент должен давать возможность проводить спектрополяриметрические наблюдения участков солнечной поверхности с пространственным разрешением порядка 1 угловой секунды и с перекрытием спектра в оптическом диапазоне в полосе 15-20 ангстрем. Такие данные позволят определять параметры солнечной атмосферы (в т.ч. внешнее магнитное поле и продольную доплеровскую скорость плазмы) на разных высотах, которые определяются выбранными для наблюдений спектральными линиями.	python, ML, DL	Бакалавриат (3+) Магистратура	3
Использование методов анализа временных рядов для юстировки детекторов Деркач Денис Александрович dderkach@hse.ru	Детекторы Большого адронного коллайдера состоят из нескольких частей, служащих для измерения физических величин. Для получения идеального качества собираемых данных эти части должны быть точно выстроены друг относительно друга. С течением времени эти части начинают смещаться друг относительно друга, что требует дополнительной юстировки, происходящей онлайн во время сбора данных. В этом проекте будет предложено исследовать возможность автоматического поиска оптимальной конфигурации компонент детектора с помощью анализа временных рядов и поиска точек разладки.	python, ML, DL	Бакалавриат (3+) Магистратура	3
Optimal parametrization choice for the weather forecast model Устюжанин Андрей Евгеньевич austyuzhanin@hse.ru	Optimizing expensive-to-evaluate black-box functions over combinatorial structures is a ubiquitous task in machine learning, engineering, and the natural sciences. We look at various approaches to solving this problem: a) Turning a discrete optimization problem into a continuous one with VAE; b) Bayesian Optimization with Random Forest and Tree-structured Parzen Estimator surrogates. The algorithm should successfully resolve the challenge of Optimal parametrization choice for the WRF model.	python, ML, DL	Бакалавриат (3+) Магистратура	3
NL2ML Entity Extractor Трофимова Екатерина Алексеевна etrofimova@hse.ru	Реализация пайплайнов анализа данных с использованием различных моделей машинного обучения (ML) обычно сводится к построению комбинации повторяющихся типовых паттернов. Это несложно показать на наборе однообразных ноутбуков сервиса Kaggle.com. Тем не менее построение таких пайплайнов является ключевым навыком для специалистов различных предметных областей, не связанных напрямую с анализом данных, но опирающихся на такие компетенции в некоторых задачах. Примером могут быть биологи, химики, физики или представители гуманитарных наук. Проект NL2ML Entity Extractor нацелен на автоматический поиск необходимых для алгоритмов ML паттернов, таких как целевая переменная, в текстовом описании задачи. Получение информации о таких паттернах является одной ключевых задач перед дальнейшим синтезом ML пайплайнов.	python, ML, DL	Бакалавриат (3+) Магистратура	3
Создание базы данных для обучения нейросети Лазарев Михаил Владимирович mvlazarev@hse.ru	1. Создать базу низкоразмерных наноструктур для решения прямой задачи о нахождении оптических свойств данной структуры; 2. Предложить способы решения и получить предварительные результаты, по предсказанию свойств наноструктуры	Знание программирование Matlab, Python, Pytorch и основные архитектуры нейросетей. Знание и понимание квантовой механики будет большим плюсом.	Бакалавриат (3+) Магистратура	3
Прогнозирование вспышек на Солнце по данным радиотелескопа Деркач Денис Александрович dderkach@hse.ru	РАТАН-600 проводит регулярные многоволновые наблюдения Солнца на микроволнах в диапазоне 3-18 ГГц в интенсивности и поляризации. Запланировано добавление диапазона 1-3 ГГц. Данные доступны по крайней мере с марта 1997 г. по настоящее время, то есть включает в себя практически весь 23-й и 24-й циклы Солнечной активности. Активно ведутся наблюдения за текущим 25-м циклом Солнечной активности. В этом проекте предлагается использовать полученные данные для построения нейросетевой модели предсказания вспышек на Солнце.	python, ML, DL	Бакалавриат (3+) Магистратура	3

Проекты 2021

Название проекта и контактное лицо	Описание проекта Цель, задачи	Пререквизиты	Уровень студентов (курс)	Количество мест
Прогнозирование временных рядов Гущин Михаил Иванович mhushchyn@hse.ru	Прогнозирование временных рядов генеративными нейросетевыми моделями	Знание машинного обучения, нейронных сетей, pytorch. Знание методов анализа временных рядов будет большим плюсом.	Бакалавриат (3+) Магистратура	3
Сегментация видео и текстов Гущин Михаил Иванович mhushchyn@hse.ru	В проекте предлагается реализовать демонстрации по сегментации видео и текстов методами обнаружения точек разладки. Данные демонстрации могут быть использованы для автоматического резюмирования видео и текстов.	python, ML, pytoch	Бакалавриат (3+) Магистратура	3
Optimization and control of a biochemecal process Устюжанин Андрей Евгеньевич austyuzhanin@hse.ru	Penicillin fermentation monitoring and control has been carried for the last three decades. However the biopharmaceutical sector is lagging behind other sectors in their adoption of advanced process control (APC). The ability to test and validate a novel control strategy on a simulation subsequent to implementation on a real process has the potential to revolutionise control theory and applications of advanced controllers throughout the biopharmaceutical sector. In the future era of Industry 4.0, which envisions a highly intelligent data-driven manufacturing environment incorporating a multitude of advanced on-line process analytics, development and adoption of APC methods is a must. This project is aimed at development of control prototyping methods for production of a simple penicillin substance in a simulated environment.	ML, DL	Бакалавриат (3+) Магистратура	3
Rheologic structure reconstruction by solving inverse computational problem with surrogate based inference Устюжанин Андрей Евгеньевич austyuzhanin@hse.ru	We consider the problem of restoring the rheological structure of a continuous medium (e.g. human brain tissues), which has two phases, different in their physical properties. Within the framework of the theory of inverse problems in mathematical physics, the problem under consideration can be classified as a coefficient inverse problem on the distribution function of rheological parameters of the medium. Possible solution would be a hybrid numerical method which reduces the original problem to the problem of determining whether a node of a regular grid belongs to one or another phase of the medium. This formulation is a special case of one of the problems of machine learning - supervised learning and allows you to construct a numerical solution by optimizing a differentiable error functional, the form of which is selected depending on a specific setting	ML, DL	Бакалавриат (3+) Магистратура	3
NL2ML Устюжанин Андрей Евгеньевич austyuzhanin@hse.ru	Задача предлагаемого проекта состоит в составлении корпуса NL2ML — описаний функциональных блоков, и соответствующих им фрагментов на языке Python. Такой корпус может быть использован для построения графа-знаний возможных строительных блоков пайплайнов, разработки DSL для высокоуровневого описания пайплайнов, разработки алгоритмов AutoML для их автоматической генерации.	Python, ML, DL	Бакалавриат (3+) Магистратура	3
Решение обратной задачи магнитной спектроскопии Активных Областей Солнца методами глубокого обучения Деркач Денис Александрович dderkach@hse.ru	Восстановление параметров атмосферы Солнца по наблюдаемым спектро-поляриметрическим данным. В настоящее время в Крымской астрофизической обсерватории (КрАО) ведутся работы по созданию нового солнечного спектрополяриметра на базе спектрографа Башенного солнечного телескопа (БСТ-1), новый инструмент должен давать возможность проводить спектрополяриметрические наблюдения участков солнечной поверхности с пространственным разрешением порядка 1 угловой секунды и с перекрытием спектра в оптическом диапазоне в полосе 15-20 ангстрем. Такие данные позволят определять параметры солнечной атмосферы (в т.ч. внешнее магнитное поле и продольную доплеровскую скорость плазмы) на разных высотах, которые определяются выбранными для наблюдений спектральными линиями.	Python, ML, DL	Бакалавриат (3+) Магистратура	3

Проекты 2020

Название проекта
и контактное лицо

Описание проекта
Цель, задачи

Пререквизиты

Уровень студентов
(курс)

Количество мест

Competition X-ray tomography

Маевский Артем Сергеевич

amaevskij@hse.ru

Автоматизировать определение положения оси вращения в томографии

1) Изучить существующие подходы определения положения оси вращения в томографии
2) Оптимизировать существующее решение на основе нейронной сети по синограммам
2а*) Предложить и реализовать подход к определению положения оси на основе классических методов машинного обучения.
2б*) Предложить и реализовать подход к определению положения оси на основе методов глубокого обучения.
3) Провести эксперименты на реальных данных и сравнить качество указанных методов.

python, ML, torch/tf

Бакалавриат (4+)

Магистратура

1-3

Уточнение каталога масс галактических скоплений

Зароднюк Алена Владимировна

azarodnyuk@hse.ru

Уточнение каталога масс галактических скоплений

1) задача кластеризации галактик по галактическим скоплениям;
2) задача регрессии для оценки масс галактических скоплений

Знание машинного обучения, нейронных сетей, pytorch, keras

Бакалавриат (3+)

Магистратура

2-3

Прогнозирование временных рядов

Гущин Михаил Иванович

mhushchyn@hse.ru

Прогнозирование временных рядов

Применение нескольких современных методов прогнозирования временных рядов и сравнение их точности.

Знание машинного обучения, нейронных сетей, pytorch. Знание методов анализа временных рядов будет большим плюсом.

Бакалавриат (4+)

Магистратура

1-2

Поиск аномалий во временных рядах

Гущин Михаил Иванович

mhushchyn@hse.ru

Поиск аномалий во временных рядах

Применение современных методов детектирования и устранения аномалий во временны рядах.

Знание машинного обучения. Знание методов анализа временных рядов будет большим плюсом.

Бакалавриат (4+)

Магистратура

1-2

Систематика в GAN

Ратников Федор Дмитриевич

fratnikov@hse.ru

Систематика в GAN

1) реализовать метод оценки погрешности
2) реализовать цепочку обучения генеративной модели
3) провести серию экспериментов и получить выводы

Глубокое обучение

Бакалавриат (4+)

Магистратура

1-3

CaloGAN

Ратников Федор Дмитриевич

fratnikov@hse.ru

Построение объединенной модели VAE и GAN

1) подбор архитектурные вариационного автоэнкодера
2) оптимизация модели VAE+GAN
3) анализ и подбор функции потерь

Глубокое обучение

Бакалавриат (3+)

Магистратура

Визуализации

Устюжанин Андрей Евгеньевич

austyuzhanin@hse.ru

Визуализации работы GAN, Isolation Forest, алгоритма 1+\epsilon

1) создать интерактивную демонстрацию работы GAN, 2) создать интерактивную демонстрацию работы Isolation Forest, 3) создать интерактивную демонстрацию алгоритма 1+\epsilon

посмотреть https://distill.pub/

Бакалавриат (2+)

1-3

Adversarial Augmentation

Борисяк Максим Александрович

mborisyak@hse.ru

Adversarial Augmentation

1) изучение текущего состояния литературы;
2) реализация предложенного алгоритма;
3) сравнение качества алгоритма с текущим state-of-the-art.

torch/tf, GANs

Бакалавриат (5+)

Магистратура

Adversarial Normalization

Борисяк Максим Александрович

mborisyak@hse.ru

Adversarial Normalization

1) изучение текущего состояния литературы;
2) реализация предложенного алгоритма;
3) сравнение качества алгоритма с текущим state-of-the-art

torch/tf, GANs

Бакалавриат (5+)

Магистратура

Обзор подходов feature importance для нейронных сетей

Рыжиков Артем Сергеевич

aryzhikov@hse.ru

Исследование методов определения feature importance для полносвязных сетей и применить их к задаче классификации частиц (PID)

1) исследовать существующие подходы определения feature importance в нейросетях
2) подумать над сравнением различных подходов и выбрать лучше
3) применить существующие подходы к обученным моделям

torch

Бакалавриат (3+)

Магистратура

RICH generators: дифференцируемые деревья, GAN-VAE, skip-connections

Казеев Никита Александрович

nikita.kazeev@cern.ch

RICH generators: дифференцируемые деревья, GAN-VAE, skip-connections

Построить быструю точную генеративную модель для задачи мделирования отклика детектора, https://www.popmech.ru/science/news-468032-sozdana-neyroset-uskoryayushchaya-poisk-novyh-chastic-na-lhc/

Deep learning

Бакалавриат (5+)

Магистратура

Сети vs деревья

Казеев Никита Александрович

nikita.kazeev@cern.ch

Сравнить качество работы нейросетей и градиентного бустинга

Предрасположенность к программированию и скриптам, не исследованиям

Бакалавриат (3+)

Магистратура

Probabilistic process mining

Карпов Максим Евгеньевич

mekarpov@hse.ru

Probabilistic process mining

1) Изучить текущее состояние state-of-the-art вероятностных подходов в process mining
2.1) Предложить подход, основанный на методе максимального правдоподобия, для построения процессных моделей
2.2) Предложить подход построения байесовской нейросети для построения процессных моделей
2.3) Предложить подход, основанный на алгоритме имитации отжига, для построения процеснных моделей
3) Провести эксперименты на реальных данных (журналы событий/логи) и сравнить качество с существующими бенчмарками

Машинное обучение, глубинное обучение, знание Python, Pytorch, обработка текстов, регулярные выражения

Желательно, но не обязательно: процесс майнинг, анализ логов

Бакалавриат (3+)

Магистратура

1-3

NL2ML

Хатбуллина Лейля Равилевна

leila.xr@gmail.com

Работа над NL2ML корпусом. Улучшение существующих моделей и сбор данных для других вершин графа.

1) улучшение классификации по тэгам
2) нахождение синонимов с использованием ast
3) сбор и обработка данных
4) создание прототипа корпуса

Python, ML

Бакалавриат (2+)

Магистратура

1-3

BigSister

Хатбуллина Лейля Равилевна

leila.xr@gmail.com

BigSister: система отслеживания прогресса и для мотивации студентов

1) прототип рекомендательной системы
2) сделать статистику активности
3) доделать фронт

Java/Scala, software engineering

Бакалавриат (1+)

Магистратура

1-3

RICH distillation

Артемьев Максим Радикович

mrartemev.me@gmail.com

RICH distillation

1) Научить глубокий ган
2) научить студентов разными способами
3) Сформулировать трейдоф между качеством и скоростью. Самое главное : в проекте бай дизайн мало физики, но много ганов.

DL, Python, опыт работы с ганами/потоками, Желательно: опыт работы с табличными данными, Очень важно: высокая степень автономности)

Бакалавриат (3+)

Магистратура

RICH NF

Артемьев Максим Радикович

mrartemev.me@gmail.com

RICH NF: работа с глубокими потоками в продолжение и развитие уже имеющихся результатов

1) Научить глубокие потоки (5 штук)
2) Научить conditional и взвешеные версии потоков
3) Посчитать метрики
В проекте не очень много физики, очень много потоков.

Бакалавриат (3+)

Магистратура

Проекты 2018

Название проекта и контактное лицо	Описание проекта	Знание Программ	Уровень студентов	Количество мест
Разработка алгоритма сжатия данных о треках частиц эксперимента LHCb Устюжанин Андрей Евгеньевич ( austyuzhanin@hse.ru )	С 2022 года БАК начнет работать в режиме бо́льшей светимости, это будет означать что необходимо обработать гораздо больше данных, чем обрабатывается сейчас. Одно из узких мест обработки - объемы передаваемой информации о траекториях частиц, зарегистрированных экспериментом. В рамках данного проекта предлагается разработать алгоритм сжатия этой информации нейроморфными методами. Проект ведется совместно с коллегами из MIT. Более подробное описание доступно в слайдах Константина Вейсера	Python.Neural Nets (Autoencoders)	Магистратура	1-2
Поиск стратегии управления квантовым компьютером Устюжанин Андрей Евгеньевич ( austyuzhanin@hse.ru )	Управление базовыми компонентами квантовых компьютеров - резонаторами - требует учета большого количества факторов, которые сложно оценить исходя из теоретических или численных моделей. В рамках данного проекта предлагается развить подход обучения с подкреплением для повышения точности управления. Проект выполняется совместно с МФТИ.	PythonМетоды Reinforcement Learning	Магистратура	1-2
Поиск двойных гамма-звезд Устюжанин Андрей Евгеньевич ( austyuzhanin@hse.ru )	Двойные звезды, излучающие в гамма-диапазоне - довольно редки. Тем не менее такие звезды представляют большой интерес для астрономического сообщества. В рамках данного проекта предлагается проанализировать информацию из различных звездных каталогов для сопоставления сигнатур различных небесных объектов и составления списка кандидатов на роль двойных звезд. Проект выполняется совместно с коллегами из Dublin City University и Institut fur Astronomie und Astrophysik Tubingen.	PythonScikit-learn	БакалавриатилиМагистратура	1-2
Классификация сверхновых звёзд по данным Open Supernova Catalog. Деркач Денис Александрович ( dderkach@hse.ru )	Классификация звёзд на данный момент осуществляется с помощью анализа кривых блеска, набранных в нескольких цветовых каналах. Кривая блеска — это набор наблюдений свернутых спектров в разные моменты времени. Обычным путём является построение физически-мотивированных спектров. Однако в будущем количество информации, набираемое астрофизическими экспериментами, будет превышать возможности ручного анализа. Задачей на практику является построение рекурентной сети, которая будет автоматически разделять звёздные спектры на разные классы.	Python Scikit-learn RNN.	Магистратура	1-2
Построение моделей идентификации заряженных частиц на Большом адронном коллайдере. Деркач Денис Александрович ( dderkach@hse.ru )	Детектор LHCb состоит из нескольких подчастей, каждая из которых обладает определённым откликом на пролетающую частицу. Нейронные сети уже несколько лет работают для комбинацией данных, записанных субдетекторами. Недостатком текущих моделей является тренировка моделей на симулированных событий. Именно сейчас полученные данные позволяют тренировать модель на реальных данных. Итогом работы должна стать нейронная сеть, натренированная на настоящих данных Большого адронного коллайдера, которая может быть использована в дальнейших анализах.	Python Scikit-learn RNN.	Магистратура	1
Блокчейн для планировки распределённых вычислений. Баранов Александр ( a.baranov@cern.ch )	Grid вычисления — это когда множество независимых компьютерных кластеров работают над общим пулом задач. Grid-вычисления, например, используются для обработки данных Большого Адронного Коллайдера. Мы хотим попробовать применить блокчейн-технологии для планирования(scheduling) вычислений в grid. Для этого предполагается использовать блокчейн-аукцион, в который пользователи grid отправляют вычислительные задачи, а исполнители задач торгуются за минимальную цену на исполнение задачи. В рамках стажировки вам предстоит сделать прототип планировщика grid-задач основанном на блокчейн-аукционе. Мы предполагаем, что основой аукциона послужит смарт-контракт для Ethereum, хотя и рассматриваем возможность использовать альтернативные технологии. https://ru.wikipedia.org/wiki/Грид https://ru.wikipedia.org/wiki/Blockchain https://ru.wikipedia.org/wiki/Ethereum	Go, Python	Бакалавриат, магистратура	2-3
Разработка системы распределённых вычислений для эксперимента SHiP Баранов Александр ( a.baranov@cern.ch )	Наша группа разрабатывает систему распределённых вычислений, которой пользуются физики в CERN. Благодаря вычислениям на этой системе наша группа смогла сэкономить CERN более 1 миллиона долларов — http://www.forbes.ru/tehnologii/358829-poymat-temnuyu-materiyu-kak-rossiyskie-uchenye-sekonomili-cern-bolee-1-mln Мы ищем летнего стажёра для работы над этой системой. Конкретно мы хотим: Добавить в неё алгоримты планировки(scheduling) задач Улучшить работу с Kubernetes-кластерами В рамках стажировки вы получите опыт промышленной backend-разработки на стыке распределённых систем и машинного обучения.	Go, Python, gRPC	Бакалавриат, магистратура	1-2
Оптимизация устройства калориметра LHCb Устюжанин Андрей Евгеньевич ( austyuzhanin@hse.ru )	Преамбула: разработка и изготовление экспериментальных образцов компонентов детекторных устройств, предназначенных для использования в составе модернизируемой детекторной установки LHCb - очень ответственный этап. Для улучшения понимания характеристик изготавливаемых подсистем детектора используются вспомогательные шаги: - разработка систем физической симуляции работы детектора в различных режимах (на основе GEANT, Delphes)- алгоритмы распознавания типичных откликов детектора на известные физические явления. точность работы таких алгоритмов может быть использована как качество работы детектора- алгоритмы сложной последовательной оптимизации многопараметрических функций (включающих параметры как детектора так и алгоритмов распознавания) Задачи практики: научиться запускать модель1 калориметра в Delphes научиться запускать модель2 калориметра в GEANT научиться считать метрики (energy resolution) научиться менять геометрию детектора собрать docker для запуска модели с заданными параметрами и оценки метрик запустить подбор оптимальных параметров локально сохранение параметров запуска на вычислительном кластере обучение модели оптимизации по результатам предыдущих запусков непрерывный процесс оптимизации / вычислений модель1 работает гораздо быстрее чем модель2. научиться использовать точки пространства гиперпараметров модели1 для выбора следующих точек для оценки модели2	Python, C++, GEANT	Магистратура	1-2