Мы используем файлы cookies для улучшения работы сайта НИУ ВШЭ и большего удобства его использования. Более подробную информацию об использовании файлов cookies можно найти здесь, наши правила обработки персональных данных – здесь. Продолжая пользоваться сайтом, вы подтверждаете, что были проинформированы об использовании файлов cookies сайтом НИУ ВШЭ и согласны с нашими правилами обработки персональных данных. Вы можете отключить файлы cookies в настройках Вашего браузера.
Адрес: 109028, г. Москва, Покровский бульвар, д. 11
Телефон: +7 (495) 531-00-00 *27254
Email: computerscience@hse.ru
Факультет готовит разработчиков и исследователей. Программа обучения сформирована с учётом опыта ведущих американских и европейских университетов, таких как Stanford University (США) и EPFL (Швейцария), а также Школы анализа данных — одной из самых сильных магистратур в области computer science в России. Широкий список курсов по выбору и значительная доля программы, выделенная под них, позволит каждому студенту сформировать свою собственную образовательную траекторию. В основе обучения — практика и проектная работа.
Kashin B. S., Kosov E., Limonova I. V. et al.
Journal of Complexity. 2022. Vol. 71.
Kleeva D., Soghoyan G., Komoltsev I. et al.
Journal of Neural Engineering. 2022. Vol. 19. No. 3.
Nesterov R., Bernardinello L., Lomazova I. A. et al.
Software and Systems Modeling. 2022.
Kolpakov A., Talambutsa A.
Proceedings of the American Mathematical Society. 2022. Vol. 150. No. 6. P. 2301-2307.
In bk.: ESEC/FSE 2021: Proceedings of the 29th ACM Joint Meeting on European Software Engineering Conference and Symposium on the Foundations of Software Engineering. Association for Computing Machinery (ACM), 2021. P. 703-715.
15-30 июля прошла седьмая международная школа по машинному обучению в физике высоких энергий (MLHEP), организованная научно-учебной лабораторией методов анализа больших данных (LAMBDA) факультета компьютерных наук, Школой анализа данных Яндекса и Федеральной политехнической школой Лозанны (Швейцария).
В этом году школа собрала 121 участника, среди которых представители 70 университетов и исследовательских центров России (Институт астрономии РАН, ОИЯИ, МФТИ), Европы (CERN, Оксфордский и Кембриджский университеты) и США (Колумбийский и Принстонский университеты). Второй год подряд школа проходит онлайн.
Как обычно, основные темы школы включали машинное обучение, нейронные сети, глубинное и распределенное обучение, генеративные модели и методы, байесовские методы и оптимизация. В этом году приглашенные спикеры из дополнили программу такими темами как:
Алексей Федоров (Российский Квантовый Центр), «Квантовые вычисления и машинное обучение»;
Майк Вильямс (MIT), «Оценка устойчивости классификаторов»;
Якоб Маке (Тюбингенский университет), «Введение в методы вывода основанных на симуляции»;
Джиль Луп (Льежский университет), «Применение вывода, основанного на симуляции в физических науках»;
Екатерина Артемова (НИУ ВШЭ), «Архитектуры глубинных трансформеров для работы с последовательностями»;
Лучио Андрелини (Болонский университет), «Использование генеративных моделей для ускорения симуляции физических экспериментов».
Организаторы и участники поделились своими впечатлениями о школе:
Как и в прошлом году, летняя школа MLHEP2021 прошла онлайн. За две недели насыщенная программа лекций и семинаров позволила осуществить довольно глубокое погружение в мир машинного обучения. Хочется отметить энтузиазм студентов и стремление к личному общению, которое они с радостью удовлетворили во время социальных активностей, таких как игры и кофе-брэйки в формате speed-dating.
Конечно, за две недели невозможно покрыть все в полном объеме, но, несмотря на это, летняя школа охватывала большую часть тем, связанных с машинным обучением в физике. Каждая тема сопровождалась не только лекцией, но и семинарной работой с применением алгоритмов из лекций, это особенно важно для начинающих в этой области.
С точки зрения новичка, летняя школа дает в сжатые сроки большой объём качественной информации, и это плюс. Немаловажно также отметить высокий уровень преподавателей и возможность пообщаться с ними — они с радостью отвечали на любые вопросы.
Для опытных исследователей школа была интересна приглашенными лекторами. Формат школы также очень удобен — если ты и так знаешь образовательную часть, то можешь послушать лекцию и пообщаться с лектором. Неудобное время? Будет доступна запись лекции.
Что касается меня, я многое освежил в памяти и познакомился с некоторыми новыми алгоритмами, с которыми пока не встречался на практике, но с большой вероятностью встречусь в ближайшее время. Плюс приятно было их применять на данных с Большого адронного коллайдера :)
Я изучаю машинное обучение и его приложения уже несколько лет, но мои знания до сих пор были разрозненными. За время обучения в школе MLHEP 2021 я познакомился с разными методами машинного обучения, от базовых до самых сложных. Я увидел связь между этими методами и понял, как из простых понятий возникают сложные концепции. Также, я познакомился с последними достижениями в области нейросетей, в основе которых лежат новые разработки. Я хочу поскорее применить полученные в школе знания в своей работе.
Мы рады, что в программе школы гармонично сочетаются выступления экспертов из сообщества машинного обучения, которые рассказывают об актуальных подходах и методах анализа данных, с выступлениями ведущих ученых о современных вызовах и проблемах различных областей физических наук.