Сергей Алексеев,
PhD, MBA, CEO Voxtellar (Singapore), член ряда экспертных комитетов по связи и навигации

Почему зона покрытия мобильной связи стремительно сокращается, а планету постепенно опутывают десятки тысяч спутников?
Как позвонить обычным смартфоном из Тихого Океана в Сахару, и зачем для этого требуются каналы данных по 10Тбпс?
Как вообще устроен интернет 2.0 (на примере 3-го поколения Старлинка), и почему для этого требуются сверх-эффективные алгоритмы поиска кратчайшего пути?

Это лишь малая толика вопросов с фронтира современного телекома, ответы на которые вы получите на открытой лекции аэрокосмического инженера и руководителя разработки передовых систем связи Сергея Алексеева.

Чтобы работать с предметами реального мира в цифровой форме, нужно уметь автоматически и с высокой точностью получать их трехмерное представление. Фотограмметрия решает эту задачу на основании большого количества фотографий объекта/человека/памятника/здания или даже целого города с разных сторон.

Представим, вы научились программировать… И язык C++ вам даже не слишком не нравится… Может даже разобрались в том, как ускорять вычисления с помощью многопоточности и видеокарт… И даже остались в здравом состоянии рассудка! Но в чем смысл?… Зачем все это теперь нужно, если все задачи компьютерного зрения решают с помощью нейросетей?...

Оказывается, до сих пор большой пласт задач фотограмметрии решается в т.ч. нейросетями, хотя традиционными методами решается быстрее и дешевле по стоимости вычислений. Кроме того, некоторые из этих методов просто красивы и расширяют сознание.

Один из ключевых открытых вопросов компьютерных наук — равенство классов P и NP: если корректность решения можно проверить за полиномиальное время, можно ли столь же эффективно его найти? NP-трудные задачи находятся в центре этого вопроса и задают фундаментальные ограничения для алгоритмов во многих практических областях: от оптимизации и планирования до анализа графов и вычислительной логики.

В курсе рассматриваются NP-трудные задачи и основные подходы к работе с ними: точные экспоненциальные алгоритмы, приближённые методы, параметризованные алгоритмы и решения для частных случаев. Классические задачи, такие как 3-раскраска графа, используются как базовые примеры для понимания общих принципов и границ применимости алгоритмических методов.

Пререквизиты: базовый курс по алгоритмам.

Почему зона покрытия мобильной связи стремительно сокращается, а планету постепенно опутывают десятки тысяч спутников?
Как позвонить обычным смартфоном из Тихого Океана в Сахару, и зачем для этого требуются каналы данных по 10Тбпс?
Как вообще устроен интернет 2.0 (на примере 3-го поколения Старлинка), и почему для этого требуются сверх-эффективные алгоритмы поиска кратчайшего пути?

Это лишь малая толика вопросов с фронтира современного телекома, ответы на которые вы получите на открытой лекции аэрокосмического инженера и руководителя разработки передовых систем связи Сергея Алексеева.

Александр Сироткин,
К.ф.-м.н., Доцент НИУ ВШЭ, Главный академический консультант CRC

LLM развиваются с безумной скоростью: то, что позавчера казалось фантастикой, вчера стало реальностью, а сегодня — просто еще один инструмент в большом наборе.

На лекции мы попробуем разобраться, какие возможности для обучения и преподавания открывают нам большие языковые модели. Поговорим о том, где генеративные нейросети помогут сэкономить кучу времени, а где могут откровенно накосячить (отвечать за это, как обычно, придется нам).

Отдельно остановимся на святая святых — дипломных работах. Почему промпт «Напиши диплом на тему "Анализ применения LLM при подготовке дипломов"» пока не сработает так, как хочется? И как его исправить, чтобы получить толковый результат?

А главное — расставим на поле флажки, которые укажут, где именно лежат грабли. Чтобы, готовя диплом, вы наступали на них как можно реже.

Александр Игоревич Храбров,
кандидат физико-математических наук, руководитель департамента информатики факультета Школа информатики, физики и технологий ВШЭ и доцент факультета математики и компьютерных наук СПбГУ

Нахождение сумм рядов является весьма сложной задачей, решить ее удается лишь в очень небольшом количестве случаев. Обычно получается найти лишь её приближенное значение. Но при нахождении приближенного значения приходится сталкиваться с неожиданными трудностями. Ряды могут сходиться достаточно медленно и для вычисления их суммы требуется просуммировать большое количество слагаемых. А чем больше слагаемых, тем больше погрешность, которая в итоге может оказаться очень значительной.

Лекция будет посвящена обсуждению этих проблем и методов их решения. А именно будет рассказано про некоторые методы ускорения сходимости рядов (методы Куммера, Эйлера, Шанкса, Эйткена и Ричардсона), а также про то, какую пользу можно извлечь из численного значения суммы для нахождения ее точного значения.

Для понимания лекции достаточно иметь базовые знания из математического анализа: предел, сумма ряда, ряд Тейлора, интеграл, O-большое и o-малое.