Школа по компьютерным наукам
Репортаж о школе по компьютерным наукам 2017
Видеозаписи на канале ФКН
Список участников Зимней школы по компьютерным наукам 2017.pdf
Программа зимней школы по компьютерным наукам.pdf
С 4 по 8 февраля 2017 г. в УЦ Вороново состоится Зимняя школа для поступающих в магистратуру факультета компьютерных наук.
Для участия вам необходимо зарегистрироваться до 20 декабря и пройти отбор. Ваши заявки будут рассмотрены, и 35 лучших получат приглашение приехать в Вороново.
Во время Зимней школы вы узнаете все о магистерских программах факультета компьютерных наук, услышите лекции ведущих преподавателей, встретитесь с представителями компаний-партнеров факультета.
У вас будет возможность пройти пробный экзамен в магистратуру по высшей математике для программ «Науки о данных» , «Анализ данных в биологии и медицине» и « Статистическая теория обучения» , узнать подробнее о темах собеседования на программу «Системное программирование» и составе портфолио программы «Системная и программная инженерия», пообщаться с академическими руководителями программ и получить подробную информацию по поступлению на ФКН.
Участие в Зимней школе бесплатное. НИУ ВШЭ предоставляет слушателям программу, проживание, питание, трансфер в УЦ Вороново. Проезд до Москвы и обратно иногородние участники оплачивают самостоятельно.
Расписание школы:
4 февраля
10.00 - 14.55 Сбор участников в здании ФКН (Кочновский проезд, дом 3, м. Аэропорт)
15.00 - 16.30 Трансфер в УЦ Вороново
16.30 - 18.00 Заселение в УЦ Вороново
18.00 - 19.00 Ужин
19.00 - 20.00 Торжественное открытие Зимней школы
20.00 - 21.00 Знакомство участников, встреча с руководителем учебного офиса магистратуры
5, 6, 7 февраля
Рабочие дни Зимней школы
8 февраля
14.00 - 15.30 Отъезд участников, трансфер в Москву
Анонсы некоторых лекций Зимней школы 2017:
Дмитрий Ветров
к.ф.-м.н., профессор-исследователь департамента больших данных и информационного поиска, доцент факультет вычислительной математики и кибернетики МГУ
«Нейробайесовский подход к машинному обучению»
Глубинное обучение (deep learning) и байесовское моделирование (Bayesian framework) это два наиболее успешных подхода к решению задачи машинного обучения, активно применяющиеся и развивающиеся в течение последних 15-20 лет. Традиционно считалось, что глубинное обучение применимо для больших данных, в то время как байесовские методы работают для малых выборок. Результаты последних двух лет показывают, что обе парадигмы прекрасно уживаются вместе и их объединение позволяет решить новый класс задач обработки больших данных. На лекции будет представлено введение в нейробайесовские методы машинного обучения.
Михаил Гельфанд
д.б.н., профессор факультета биоинженерии и биоинформатики МГУ, член Европейской Академии, заместитель директора Института проблем передачи информации РАН
«Биоинформатика: молекулярная биология in silico»
Биология начиналась как раздел философии (говорят, Аристотель написал, что у мухи восемь ног, и все его последователи это исправно переписывали), продолжилась как описательная наука (и вот тут зоологи посчитали ноги у мухи и обнаружили, что их все-таки шесть), потом как экспериментальная (мух стали скрещивать, исследовать их клетки, а затем и молекулы - ДНК и белки), и к началу нынешнего тысячелетия прогресс в экспериментальных методах привел к тому, что биология стала наукой, богатой данными. Впервые биологи получили возможность описывать не работу отдельного гена или взаимодействие пары белков, а работу всех генов и взаимодействие всех белков, причем в разных тканях и на разных стадиях развития организма. Появилась новая область биологии, биоинформатика, которая анализирует эти данные с целью извлечь из них интересное биологическое содержание. Я расскажу о нескольких типичных биоинформатических задачах и разных подходах к их решению.
Павел Мазин
сотрудник Сколковского института науки и технологий и ИППИ РАН, преподаватель ФББ МГУ и Школы Биоинформатики
«Массовое секвенирование РНК: цели, методы, результаты»
В лекции будут рассмотрены функции основных типов клеточной РНК (pre-mRNA, mRNA, lncRNA, microRNA, circRNA, tRNA, rRNA), основные методы их массового секвенирования (RNA-seq, CAGE etc), виды информации, которые можно получить этими методами (последовательность и концентрация РНК, альтернативный сплайсинг, редактирование РНК, точные координаты начала транскрипции и сайта полиаденилирования) и основные подходы к анализу полученной информации.
Также в блоке презентации магистерской программы “Анализ данных в биологии и медицине” выступит Дмитрий Первушин, PhD, доцент департамента программной инженерии, который расскажет про методы секвенирования и Андрей Головин, д.х.н., профессор факультета биоинженерии и биоинформатики МГУ, с лекцией о структурной биоинформатике.
Ирина Ломазова
д.ф.-м.н., профессор, заведующий научно-учебной лабораторией процессно-ориентированных информационных систем (ПОИС) ФКН
«Process mining: как можно использовать информацию, накапливаемую в журналах событий»
Процессы окружают нас повсюду: аренда автомобиля, бронирование авиабилета, покупка в интернет-магазине, подача налоговой декларации, скачивание файла — все это поддерживается специальными процессно-ориентированными информационными системами. Сегодня процессы оставляют массу информационных следов в базах данных, аудиторских отчетах, логах сообщений и транзакций и т.п. При этом модели процессов, построенные людьми, могут сильно отличаться от реального исполнения процессов. Можно ли обеспечить корректное и надежное выполнение процессов? Как обнаружить и исправить узкие места в организации процессов? Можно ли восстановить модель процесса по истории его выполнения? Как связать модель с реальным поведением системы? Из лекции вы узнаете ответы на эти вопросы.
Алексей Незнанов
к.т.н., доцент департамент анализа данных и искусственного интеллекта, старший научный сотрудник международной научно-учебной лаборатории интеллектуальных систем и структурного анализа
«Человеко-машинные интерфейсы. Тренды развития взаимодействия с пользователем на фоне развития искусственного интеллекта»
В создании интерфейсов с пользователем, как и во многих других областях информационных технологий, произошла революция, практически не заметная для неспециалиста, но плоды которой мы уже начинаем пожинать. Мы попробуем на конкретных примерах рассмотреть актуальнейшие вопросы развития области, известную под разными именами: UX/UI, Usability, интерфейсостроение, человеко-машинное взаимодействие, проектирование взаимодействия с пользователем (так как много "слепцов" из смежных областей ощупывают этого "слона"). По возможности, примеры будем "трогать руками".
Некоторые из этих вопросов:
- Правда ли, что без искусственного интеллекта интерфейс с пользователем уже не "торкает"? А что такое этот самый ИскИн?
- Кто сейчас лучше распознаёт человеческую речь - человек или компьютер? А на русском?
- Можно ли никогда не выходить из виртуальной реальности? А что мы понимаем под виртуальностью?
- Может ли смартфон попросить у пользователя вычислительные ресурсы? А если найдёт?
- Какое самое известное приложение дополненной реальности? А если исключить покемонов?
А также самые популярные антипаттерны, умный мокапинг, онтологически-контролируемое версионирование и интерактивная визуализация больших данных
Евгений Соколов
заместитель руководителя департамента больших данных и информационного поиска ФКН ВШЭ, руководитель группы анализа неструктурированных данных Yandex Data Factory
«Машинное обучение: практические кейсы»
Машинное обучение - это молодая и активно развивающаяся наука о том, как по примерам восстановить общие закономерности. С помощью его методов удаётся генерировать тексты, писать картины, находить сложные документы в интернете, оптимизировать процессы плавки стали и решать много других полезных задач. Мы разберём несколько прикладных задач, которые были решены в Yandex Data Factory с помощью машинного обучения, поговорим о развиваемых на ФКН научных направлениях в данной области, а также обсудим, как с этим всем связаны соревнования по анализу данных и почему они пользуются такой популярностью.
Андрей Зимовнов
аналитик в Yandex Data Factory
«Гарри Поттер и полнота поиска»
На серверах Яндекса сохранены страницы практически всего Рунета. Вам будет предложено придумать как найти среди всех этих страниц фан-фики из вселенной Гарри Поттера. И не просто найти, но и оценить полноту вашего поиска, чтобы быть уверенными, что мы нашли большинство фан-фиков. В этом нам поможет машинное обучение, надо будет поставить задачу, организовать сбор обучающей выборки и предложить схему оценки полноты. Ждем вас на нашем кейсе, где мы вместе с вами подумаем над решением!
Денис Деркач
старший научный сотрудник научно-учебной лаборатории методов анализа больших данных ФКН
«Машинное обучение и поиск новой физики»
Насколько окончательна текущая физическая концепция мира? Нужно ли чем-то её дополнить? Ответы на эти вопросы ищут учёные, работающие на Большом адронном коллайдере. В докладе я расскажу о том, как использование машинного обучения помогает в исследовании фундаментальных свойств природы. После рассказа слушатели смогут принять участие в интерактивном мастер-классе по анализу данных одного из экспериментов с помощью методов машинного обучения. В режиме онлайн-телеконференции на вопросы слушателей ответят ведущие мировые учёные - специалисты по анализу физических данных.
В рамках рассказа будет проведен телемост с Fermi National Accelerator Laboratory (лаборатория около Чикаго, Иллинойс), прямая трансляция из Контрольной комнаты одного из экспериментов. Затем состоится практическое занятие по применению методов машинного обучения для поиска частиц.
Евгений Бурнаев
к.ф.-м.н., доцент кафедры технологий моделирования сложных систем
«Методы обнаружения аномалий. Одноклассовая машина опорных векторов с использованием привилегированной информации»
В настоящее время группа технологий Интернета Вещей является одной из самых быстро растущих технологических областей, привлекает колоссальные объемы частных и государственных венчурных инвестиций. Соответственно, важна разработка технологий и методов предсказательной аналитики, которые позволят эффективно проводить интеллектуальный анализ данных индустриального интернета вещей и решать практически важные задачи обслуживания оборудования на основе автоматического контроля его состояния, обеспечения безопасности сложных технических и информационных систем (самолетов, судов, ракет, ядерных электростанций, различных интернет-сервисов, и т.д.), автоматического контроля качества выпускаемой продукции, и т.д. Соответствующие математические задачи могут быть сформулированы в виде задачи обнаружения аномалий. Классическим методом решения подобной задачи является описание нормального состояния, которое может быть сделано, например, с помощью одноклассовой классификации. В докладе будет:
- проведен обзор реальных индустриальных приложений;
- проведен обзор моделей и методов для обнаружения аномалий;
- представлен новый алгоритм одноклассовой классификации.
Также на школе выступят:
Сергей Кузнецов, д.ф.-м.н., ординарный профессор, академический руководитель программы, руководитель департамента анализа данных и искусственного интеллекта и международной научно-учебной лабораторией интеллектуальных систем и структурного анализа
Пари Кентан Поль Бернар, PhD, доцент департамент статистики и анализа данных и другие преподаватели магистерских программ ФКН
В 2016 году в мероприятии приняли участие 35 студентов из Астаны и Бишкека, Екатеринбурга, Иркутска, Казани, Нижнего Новгорода, Новосибирска, Санкт-Петербурга, Уфы и других городов, а также студенты Москвы из МГУ, МФТИ, МГТУ им. Н.Э. Баумана. Всего в конкурсном отборе на Зимнюю школу участвовало 164 студента старших курсов ведущих вузов России, Казахстана, Киргизии и Украины.
Для регистрации на Зимнюю школу 2017 перейдите по ссылке
Координаторы мероприятия:
Факультет компьютерных наук: Менеджер