• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
ФКН
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
Образовательные программы
Бакалаврская программа

Компьютерные науки и анализ данных

4 года
Очная форма обучения
75/5
75 платных мест
5 платных мест для иностранцев
RUS
Обучение ведётся на русском языке
Бакалаврская программа

Прикладная математика и информатика

4 года
Очная форма обучения
125/60/30
125 бюджетных мест
60 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
90/12
90 платных мест
12 платных мест для иностранцев
ENG
Обучение ведётся на английском языке
Бакалаврская программа

Программная инженерия

4 года
Очная форма обучения
120/80/30
120 бюджетных мест
80 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
25/5/1
25 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
63/27
63 платных мест
27 платных мест для иностранцев
ENG
Обучение ведётся на английском языке
Магистерская программа

Математика машинного обучения

2 года
Очная форма обучения
15/5/1
15 бюджетных мест
5 платных мест
1 платное место для иностранцев
ENG
Обучение ведётся на английском языке
Магистерская программа

Машинное обучение и высоконагруженные системы

2 года
Очная форма обучения
28/2
28 платных мест
2 платных места для иностранцев
RUS
Обучение ведётся на русском языке
Магистерская программа

Науки о данных

2 года
Очная форма обучения
65/15/20
65 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
25/5/10
25 бюджетных мест
5 платных мест
10 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

Финансовые технологии и анализ данных

2 года
Очная форма обучения
50/1
50 платных мест
1 платное место для иностранцев
RUS/ENG
Обучение ведётся на русском и английском языках
Статья
A randomized coordinate descent method with volume sampling

Rodomanov A., Kropotov D.

SIAM Journal on Optimization. 2020. Vol. 30. No. 3. P. 1878-1904.

Статья
ML-assisted versatile approach to Calorimeter R&D

A. Boldyrev, D. Derkach, F. Ratnikov et al.

Journal of Instrumentation. 2020. Vol. 15. P. 1-7.

Статья
An accelerated directional derivative method for smooth stochastic convex optimization

Dvurechensky P., Eduard Gorbunov, Gasnikov A.

European Journal of Operational Research. 2021. Vol. 290. No. 2. P. 601-621.

Глава в книге
On pattern setups and pattern multistructures

Kuznetsov S., Kaytoue M., Belfodil A.

In bk.: International Journal of General Systems. Iss. 49. 2020. P. 271-285.

Глава в книге
Finite Time Analysis of Linear Two-timescale Stochastic Approximation with Markovian Noise

Kaledin M., Moulines E., Naumov A. et al.

In bk.: Proceedings of Machine Learning Research. Vol. 125: Proceedings of Thirty Third Conference on Learning Theory. 2020. P. 2144-2203.

iPavlov, детектор дорожного светофора и анализ тональности текстов — итоги первого выпуска программы профессиональной переподготовки

В начале декабря состоялась первая защита дипломов программы профессиональной переподготовки "Современный анализ данных, глубокое обучение и приложения". За год слушатели прошли путь от изучения математики и программирования до работы с нейронными сетями, компьютерным зрением и анализом текстов. Мы спросили выпускников программы о том, почему они решили изучать данную область, что узнали за время обучения, какие итоговые проекты выбрали и чем собираются заниматься в будущем.

Евгений Головенков. В 2010 году окончил магистратуру Юго-Западного государственного университета  по направлению “Информатика и вычислительная техника”. Тема выпускной работы: “Нейросетевой метод объединения эмбеддингов слов и предложений в задаче контекстно-зависимого ранжирования ответов чат-бота”.

О возможности получить дополнительное образование по анализу данных в Высшей школе экономики я узнал от своего коллеги Вячеслава Дуброва. Он преподавал здесь краткосрочную программу повышения квалификации (ранее - Машинное обучение и продвинутые методы машинного обучения). Подумав, я решил поступить на годовой курс, начать обучение с базовых понятий и продвинуться к более сложным. Обучение дало мне понимание большого спектра технологий машинного обучения. Материал и знания, полученные на курсе, позволили влиться в комьюнити, начать участвовать в соревнованиях, семинарах и конференциях.  Так, за пару месяцев до окончания программы, я принял участие в двух летних школах: в Летней школе машинного обучения  и Conversational Intelligence Summer School. В августе после прохождения стажировки я устроился на позицию младшего исследователя в проект iPavlov, где занялся разработкой ранжирующих моделей ответов чат-ботов. С этой тематикой и была связана моя выпускная работа.

Виталий Белов. В 2010 году окончил Московский технический университет имени Н.Э. Баумана по специальности “Приборы системы ориентации, стабилизации и навигации”. Тема выпускной работы: “Детектор и трекер состояния дорожного светофора”.

Проработав несколько лет в IT, решил, что необходимо получить дополнительное образование в этой области.  Темой машинного обучения я заинтересовался около 3-х лет назад. В течение этого времени прошел курс «Machine learning» на Coursera от Andrew Ng и несколько курсов по Python. Но все равно было желание получить системное образование в данной области, и я решил поступить на программу профессиональной переподготовки «Современный анализ данных, глубокое обучение и приложения». Значительная часть курса была посвящена области глубокого обучения и компьютерного зрения.  Данное направление находит применение в таких интересных задачах, как автомобильные автопилоты, детектирование объектов на видео, распознавание жестов и так далее.

Мне интересна данная область, поэтому решил выбрать тему для защиты, связанную с ней. Я обучил модель локализовывать светофор на видео и классифицировать его состояние в реальном времени. В процессе учебы была практика участия в различных Kaggle соревнованиях под руководством преподавателей. Теперь я планирую продолжать участвовать в различных соревнованиях по машинному обучению, посещать профильные мероприятия и применять полученные знания в работе.


Татьяна Санникова. В 2012 году окончила магистратуру Высшей школы экономики по направлению “Экономика”. Тема выпускной работы: “Глубинное обучение для анализа тональности текстов”.

Раньше я уже занималась анализом данных, но инструменты были сравнительно примитивными. Например, нужно было для прогнозирования построить регрессию на данных (я работала с динамическими панелями). Признаки практически подбирались вручную, так сказать, из здравого смысла, по данным, которые были доступны. Можно было экспериментировать с различными вариациями признаков, использовать нелинейность как для признаков (их комбинации в виде произведения, квадратов и логарифмов), так и для самой целевой функции. Необходимо было при каждой комбинации проверять коэффициенты признаков на значимость, и, конечно, проблема, с которой постоянно сталкивается любой исследователь анализа данных, это “переобучение” модели. За время обучения я узнала о современных инструментах анализа, как изящно и просто можно бороться с этими трудностями, сейчас руки исследователя свободнее и сильнее. Этот курс помог мне усовершенствовать инструмент, позволяющий проще, быстрее и, главное, точнее решать поставленные задачи. В качестве заключительного проекта предпочтение было отдано обработке текстовых данных с помощью машинного обучения и нейронных сетей. Хотя оба крупных модуля, обработка текстов и компьютерное зрение, показались мне интересными, но в итоге выбор был сделан на более (для меня) сложное направление, для более глубокого изучения этой области. Задача, которая стояла передо мной (анализ тональности отзывов), может быть использована в маркетинговых и социальных исследованиях, результаты похожих задач могут пригодиться в экономической и политической сферах. Для меня цель курса была узнать и освоить новые возможности обработки данных, а итоговая дипломная работа — это применение полученных за год знаний и навыков. И эти возможности и, конечно, современная доступность данных открывают огромный диапазон для новых интересных задач.


 22 января начнет занятия уже четвертая группа программы профессиональной переподготовки. Узнать подробности и подать заявку на обучения можно на сайте Центра непрерывного образования.