• 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
Образовательные программы
Бакалаврская программа

Прикладная математика и информатика

4 года
Очная форма обучения
117/80/30
117 бюджетных мест
80 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
80/12
80 платных мест
12 платных мест для иностранцев
ENG
Обучение ведётся на английском языке
Бакалаврская программа

Программная инженерия

4 года
Очная форма обучения
110/70/30
110 бюджетных мест
70 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
20/5/1
20 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
100
100 платных мест
ENG
Обучение ведётся на английском языке
Магистерская программа

Науки о данных

2 года
Очная форма обучения
60/15/20
60 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
25/5/15
25 бюджетных мест
5 платных мест
15 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
15/5/2
15 бюджетных мест
5 платных мест
2 платных места для иностранцев
ENG
Обучение ведётся на английском языке
Магистерская программа

Финансовые технологии и анализ данных

2 года
Очная форма обучения
35/1
35 платных мест
1 платное место для иностранцев
RUS/ENG
Обучение ведётся на русском и английском языках
Статья
The dynamics of canalizing Boolean networks

Paul E., Pogudin G., Qin W. et al.

Complexity. 2020. Vol. 2020. P. 1-14.

Статья
Reconstruction of the coupling between solar proxies: When approaches based on Kuramoto and Van der Pol models agree with each other

Savostianov A., Shapoval S., Shnirman M.

Communications in Nonlinear Science and Numerical Simulation. 2020. Vol. 83. P. 105149.

Статья
Prime Geodesic Theorem in the Three-dimensional Hyperbolic Space

Balkanova O., Chatzakos D., Cherubini G. et al.

Transactions of the American Mathematical Society. 2019. Vol. 372. No. 8. P. 5355-5374.

Статья
Magnetohydrodynamic Modeling of the Solar Wind Key Parameters and Current Sheets in the Heliosphere: Radial and Solar Cycle Evolution

E. V. Maiewski, Kislov R. A., Khabarova O. V. et al.

Astrophysical Journal. 2020. Vol. 892. No. 1. P. 1-17.

Статья
Multidimensional frontier visualization based on optimization methods using parallel computations

Afanasiev A., Krivonozhko V., Lychev A. et al.

Journal of Global Optimization. 2020. Vol. 76. P. 563-574.

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.