• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
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
Мероприятия
27 октября – 8 декабря
16 декабря – 18 декабря
2 февраля 2022 – 6 февраля 2022
Образовательные программы
Бакалаврская программа

Компьютерные науки и анализ данных

4 года
Очная форма обучения
40/5
40 платных мест
5 платных мест для иностранцев
RUS/ENG
Обучение ведётся на русском и английском языках
Бакалаврская программа

Прикладная математика и информатика

4 года
Очная форма обучения
145/70/20
145 бюджетных мест
70 платных мест
20 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
135/100/20
135 бюджетных мест
100 платных мест
20 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
21/9
21 платное место
9 платных мест для иностранцев
ENG
Обучение ведётся на английском языке
Магистерская программа

Математика машинного обучения

2 года
Очная форма обучения
18/5/1
18 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 (Data Science)

2 года
Очная форма обучения
30/10/10
30 бюджетных мест
10 платных мест
10 платных мест для иностранцев
RUS/ENG
Обучение ведётся на русском и английском языках
Магистерская программа

Системная и программная инженерия

2 года
Очная форма обучения
25/5/5
25 бюджетных мест
5 платных мест
5 платных мест для иностранцев
ENG
Обучение ведётся на английском языке
Магистерская программа

Системное программирование

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

Современные компьютерные науки

2 года
Очная форма обучения
32/5
32 бюджетных мест
5 платных мест
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
Глава в книге
Black-Box Optimization with Local Generative Surrogates

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.

Статья
The multiplicative-additive Lambek calculus with subexponential and bracket modalities

Kanovich M., Kuznetsov S., Scedrov A.

Journal of Logic, Language and Information. 2021. Vol. 30. No. 1. P. 31-88.

Выпускники рассказывают: Никита Чуркин

Никита Чуркин окончил магистерскую программу “Финансовые технологии и анализ данных” в 2019 году. Сейчас выпускник ФТиАД работает DataScientist’ом в Управлении валидации Сбербанка. В этом учебном году Никита вместе со своим коллегой прочитал на ФКН мини-курс “Практическое машинное обучение и соревнования по анализу данных”. Об учебе на ФКН и о том, как сложилась его карьера после выпуска, Никита расскажет в своем интервью.

Выпускники рассказывают: Никита Чуркин

Почему ты решил поступать в магистратуру “Финансовые технологии и анализ данных”?

На момент поступления в магистратуру ФТиАД я уже окончил бакалавриат по специальности Математические методы в экономике в РЭУ и магистратуру по математике в МГУ. Ранее я имел шанс поступить в Вышку на магистерскую программу “Науки о данных”, но тогда очень долго выбирал между магистратурами Вышки и МГУ. В итоге, я остановил свой выбор на МГУ, так как хотел получить больше фундаментальной математической подготовки, а машинное обучение я решил изучать самостоятельно. В то же время я подумал, что можно будет вернуться в ВШЭ позже, чтобы прослушать курсы по ML-направлениям, поступив в магистратуру. 

В МГУ моей специальностью была алгебра, я ходил на спецкурсы по машинному обучению, но в основном в Университете сконцентрировался на изучении, так называемой, «абстрактной» математики. Машинное обучение я, по большей части, осваивал самостоятельно: читал книги (например, Murphy, Goodfellow) и статьи, решал конкурсы по ML.

После окончания первой магистратуры я подумал, что было бы неплохо поучиться в ВШЭ по специальности, связанной с машинным обучением, систематизировать и углубить свои знания. Тогда как раз был первый набор магистратуры “Финансовые технологии и анализ данных”. Она показалась мне идеальным выбором, потому что в программе были все интересующие меня на тот момент предметы: глубинное обучение, NLP,  Управление проектами в DS, – и при этом на 100% оплачивалась Сбербанком.

Что было самым запоминающимся во время учебы?
 

Наверное, курс по глубинному обучению. Особенно мне понравились семинары, которые вел Алексей Озерин. Также запомнилась поездка в корпоративный университет Сбербанка и командная игра (кейс).
 
О чем была твоя дипломная работа?

Я разрабатывал подход к автоматическому созданию интерпретируемых моделей ML.
Для большой части моделей, например, банковских, обычные подходы AutoML часто не подходят: нужны несложные алгоритмы (логистические регрессии, деревья), интерпретируемые признаки, специальная предобработка (например, WOE-биннинг) и калибровка. Мейнстримовые AutoML решения в среднем не рассчитаны на модели такого класса.


Ты занимался еще чем-нибудь помимо учебы?
 

Я активно участвовал и продолжаю участвовать в конкурсах по машинному обучению и хакатонах. Уже удалось накопить хороший призовой фонд. Конкурсы – один из лучших способов научиться применять знания на практике. Кроме самой известной площадки Kaggle есть множество других, поэтому число активных соревнований на данный момент составляет десятки: можно учиться практически любому инструментарию не выходя из дома. Недавно я с коллегой прочитал мини-курс в Вышке как раз посвященный соревнованиям и полезным навыкам, которые можно извлечь из участия в них.

Чем ты сейчас занимаешься?

Я работаю DataScientist’ом в Управлении валидации Сбербанка. Мои задачи не совсем обычные для специалиста по DS: основной обязанностью является анализ уже существующих моделей в Сбербанке с целью проверки качества этих моделей, возможности их улучшения, нахождения зон риска моделей и других подводных камней. В каком-то мере, это можно назвать консультированием владельцев и разработчиков моделей. В Сбербанке можно встретить модели почти для любой бизнес задачи: к нам в работу приходят практически все модели Банка, поэтому мы, в некотором смысле, аккумулируем знания обо всех задачах, решаемых в Банке с помощью ML.

В нашей работе анализируется как подход к решаемой задаче (соответствует ли разработанная модель решению поставленной бизнес-проблемы), так и технические аспекты (есть ли существенные ошибки при моделировании, в сборе выборок и т.д.). Мы пытаемся найти пространство для качественного улучшения моделей. 

При этом в моделях по Банку используется практически весь современный инструментарий ML: от логистических регрессий с WOE-биннингом и бустингов на TFiDF-мере до GraphCNN и BERT’ов. Поэтому приходится постоянно быть в курсе текущих решений различных ML-проблем, много учиться, улучшать, а возможно и пересматривать свои подходы к моделированию.


Почему, как тебе кажется, интересно работать в сфере финансовых технологий?

Машинное обучение еще не полностью проникло в область финансов, и очень интересно наблюдать за этой эволюцией. Например, кажется, что используемые в банках алгоритмы постепенно усложняются: логистические регрессии и простые деревья постепенно уступают место градиентным бустингам, а также моделям из DL в большом ряде задач.


Что может сделать студент уже сейчас в университете, чтобы построить успешную карьеру после выпуска?   

Важно подходить творчески к заданиям и иметь проактивную позицию. Это не только поможет вам лучше прокачать свои навыки и получить больше знаний, но и даст соответствующую репутацию в глазах преподавателей, студентов и потенциальных работодателей.