• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
ФКН
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

Мероприятия
3 февраля – 7 февраля
Прием заявок до 21 декабря 
22 февраля – 23 февраля
Регистрация открыта 
21 марта – 23 марта
Прием статей до 15 января 2019 
26 августа – 30 августа
Registration and Poster Submission deadline — April 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

Математические методы оптимизации и стохастики

2 года
Очная форма обучения
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
Ontology-Mediated Queries: Combined Complexity and Succinctness of Rewritings via Circuit Complexity

Bienvenu M., Kikot S., Kontchakov R. et al.

Journal of the ACM. 2018. Vol. 65. No. 5. P. 28:1-28:51.

Статья
Randomized Block Cubic Newton Method
В печати

Doikov Nikita, Richtarik P.

Proceedings of Machine Learning Research. 2018. No. 80. P. 1290-1298.

Статья
Particle-identification techniques and performance at LHCb in Run 2
В печати

Hushchyn M., Chekalina V.

Nuclear Instruments and Methods in Physics Research, Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. 2018. P. 1-2.

Статья
Observational evidence in favor of scale free evolution of sunspot groups

Shapoval A., Le Mouël J., Shnirman M. et al.

Astronomy and Astrophysics. 2018. Vol. 618. P. A183-1-A183-13.

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.