• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

Научные группы для студентов СТО

Во время обучения на совместной со Сколтехом магистерской программе "Статистическая теория обучения" каждый студент имеет возможность выбрать научную группу, в рамках которой будет вести свою научно-исследовательскую деятельность. 

Международная лаборатория стохастических алгоритмов и анализа многомерных данных, созданная в апреле 2018 года, объединяет отечественных и зарубежных исследователей, работающих на стыке современной математической статистики, оптимизации, теории вероятностей, теории алгоритмов и других математических дисциплин. Основной целью лаборатории является развитие новых вероятностно-статистических подходов для решения актуальных задач, возникающих в современном анализе данных.
Центр глубинного обучения и байесовских методов, созданный в конце 2016 г. на базе исследовательской группы байесовских методов, разрабатывает новые методы машинного обучения и байесовского вывода, учитывающие специфику конкретной решаемой задачи. В исследованиях активно используется аппарат вероятностных графических моделей и методы глубинного обучения.
Научно-учебная лаборатория методов анализа больших данных, созданная при поддержке компании “Яндекс”, фокусируется на применении методов машинного обучения и анализа данных для решения задач фундаментальных наук, таких как физика частиц и астрофизика. Лаборатория сотрудничает с Европейским Центром Ядерных Исследований (CERN) как в области физики событий Большого адронного коллайдера, так и в решении задач повышения эффективности обработки данных.
Our research focuses on developing breakthrough numerical techniques for solving a broad range of high-dimensional problems. The key ingredient is the effective decomposition of multidimensional arrays (tensors). Applications include: Solution of multidimensional integral and differential equations on fine grids (multiscale problems) Ab initio computations in quantum chemistry Solution of multiparametric problems Data mining and compression.
Our research is about designing computer systems that can extract, organize, and quantify information contained in images of various types and origin. For this purpose, we develop new machine learning techniques (deep learning in particular) and optimization techniques that are robust and flexible enough to handle and to adapt to the diversity of image data in the modern world.
ADASE is a group of research enthusiasts pushing the state of the art at the intersection of kernel methods, prediction methods for 3D data, deep learning, online data, and machine learning. Our research mission is to construct data-driven (surrogate) models capable of predicting behavior, performing model-based control and recommend future actions, optimizing design and performance and detecting anomalies and predict failures. Aside from traditional convex and non-convex optimization techniques, we see great potential in modern artificial intelligence, mainly deep learning, in order to achieve these goals.