Дорогие друзья!
Наконец представляем вам канал новой кафедры "Математика искусственного интеллекта" Сбера и ФПМИ!
Мы очень рады всем, кто заинтересовался нашей кафедрой: и тем, кто только узнал о ней и решил полюбопытствовать, и тем, с кем мы знакомились на презентации 17 марта.
Немного о планах: сначала коротко скажем о том, что нас ждет в этом канале, а далее перейдем к содержательным вопросам.
Сейчас мы начинаем с серии постов о том, как будет проходить набор на кафедру для магистров, старт обучения для которых - осень 2026 года.
Отбор на бакалаврские специализации будет проходить осенью 2026 года, старт обучения на кафедре - весна 2027 года.
Наконец представляем вам канал новой кафедры "Математика искусственного интеллекта" Сбера и ФПМИ!
Мы очень рады всем, кто заинтересовался нашей кафедрой: и тем, кто только узнал о ней и решил полюбопытствовать, и тем, с кем мы знакомились на презентации 17 марта.
Немного о планах: сначала коротко скажем о том, что нас ждет в этом канале, а далее перейдем к содержательным вопросам.
1. В ближайшую неделю в этом канале будет постепенно появляться вся информация, которая необходима вам для отбора на кафедру:
🔹 описание процедуры отбора:
- этапы отбора
- ссылка на регистрацию
- задачи для отбора
- ключевые дедлайны поступления
🔹 ключевые лица программы:
- исследователи, которые отвечают за блоки дисциплин и развитие программы.
- контакты кафедры.
2. После завершения приемной кампании в магистратуру в канале будут публиковаться все остальные новости кафедры:
- расписание
- анонсы семинаров/воркшопов
- полезные материалы и ссылки.
Сейчас мы начинаем с серии постов о том, как будет проходить набор на кафедру для магистров, старт обучения для которых - осень 2026 года.
Отбор на бакалаврские специализации будет проходить осенью 2026 года, старт обучения на кафедре - весна 2027 года.
❤7
This media is not supported in your browser
VIEW IN TELEGRAM
Самое важное на ближайшее время: ИНФОРМАЦИЯ ПРО ОТБОР!!!
В этом посте мы рассказываем о таймлайне всего отбора. Далее по каждому из этапов будет следовать отдельный пост, разъясняющий более подробно, что мы хотели бы увидеть в качестве ответа и какие критерии оценки мы используем.
🔹Отбор проходит в три этапа (стартовый и первый проходят параллельно и учитываются вместе в комбинации):
0. Стартовый этап - регистрация на отбор
Происходит через форму.
Обратим ваше внимание, что это не просто формальность: в опросник, помимо стандартных вопросов о вас, включены содержательные вопросы о ваших исследовательских интересах.
Рассчитывайте, что на качественное заполнение формы уйдет не менее 1-2 часов (очень сильно зависит от вашего бекграунда).
🚨 Дедлайн по заполнению формы: 10 июня
1. Первый этап - эксперимент: исследовательское задание в виде research proposal
На этом этапе мы хотим узнать больше о вашем исследовательском кругозоре.
Задание будет сформулировано следующим образом:
мы предложим вам несколько тем из разных областей искусственного интеллекта и популярные свежие статьи с конференций А* по ним.
Вам нужно будет выбрать статью/статьи (зависит от трека) и описать свои идеи по ее доработке.
Важно: research proposal не подразумевает наличия большого количества переквизитов к теме или опыта работы в конкретной области. Задание также не подразумевает длинного технического обоснования ваших идей.
🔹Конкретная формулировка задания вместе с ссылкой на статьи для анализа будут выложены в ближайшие дни.
UPD: ссылка на описание задания
🚨 Дедлайн по research proposal: 15 июня (задание может выполняться параллельно с заполнением формы)
2. Второй этап - разговор с исследователем из команды кафедры.
Студентов, research proposal'ы которых нам понравились, мы приглашаем на онлайн-встречу с одним (или несколькими) исследователями.
Это не будет техническим собеседованием: это будет разговор о вашей мотивации и интересах к исследованиям.
Это самый простой этап, к нему готовится не нужно!
По вашему запросу мы также планируем провести отдельную онлайн-встречу с заведующим кафедрой и теми из вас, кто захочет задать вопросы по написанию задания первого этапа. Ориентировочная дата - 28 мая.
Полная информация про каждый этап будет опубликована до 26 мая.
Следите за новостями!
В этом посте мы рассказываем о таймлайне всего отбора. Далее по каждому из этапов будет следовать отдельный пост, разъясняющий более подробно, что мы хотели бы увидеть в качестве ответа и какие критерии оценки мы используем.
🔹Отбор проходит в три этапа (стартовый и первый проходят параллельно и учитываются вместе в комбинации):
0. Стартовый этап - регистрация на отбор
Происходит через форму.
Обратим ваше внимание, что это не просто формальность: в опросник, помимо стандартных вопросов о вас, включены содержательные вопросы о ваших исследовательских интересах.
Рассчитывайте, что на качественное заполнение формы уйдет не менее 1-2 часов (очень сильно зависит от вашего бекграунда).
1. Первый этап - эксперимент: исследовательское задание в виде research proposal
На этом этапе мы хотим узнать больше о вашем исследовательском кругозоре.
Задание будет сформулировано следующим образом:
мы предложим вам несколько тем из разных областей искусственного интеллекта и популярные свежие статьи с конференций А* по ним.
Вам нужно будет выбрать статью/статьи (зависит от трека) и описать свои идеи по ее доработке.
От студентов теоретического трека мы ожидаем квалифицированное обсуждение алгоритмов и способность к глубокому анализу статьи, в том числе теоретических выкладок.
От студентов практического трека - способность качественно анализировать прикладные статьи.
Важно: research proposal не подразумевает наличия большого количества переквизитов к теме или опыта работы в конкретной области. Задание также не подразумевает длинного технического обоснования ваших идей.
Ответ на задание может выглядеть как:
– описание идеи follow-up для одной статьи,
– короткое описание нескольких идей по развитию статьи,
– композиция и анализ нескольких статей, использующих разные подходы для решения общей задачи.
🔹Конкретная формулировка задания вместе с ссылкой на статьи для анализа будут выложены в ближайшие дни.
UPD: ссылка на описание задания
2. Второй этап - разговор с исследователем из команды кафедры.
Студентов, research proposal'ы которых нам понравились, мы приглашаем на онлайн-встречу с одним (или несколькими) исследователями.
Это не будет техническим собеседованием: это будет разговор о вашей мотивации и интересах к исследованиям.
Это самый простой этап, к нему готовится не нужно!
По вашему запросу мы также планируем провести отдельную онлайн-встречу с заведующим кафедрой и теми из вас, кто захочет задать вопросы по написанию задания первого этапа. Ориентировочная дата - 28 мая.
Полная информация про каждый этап будет опубликована до 26 мая.
Следите за новостями!
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6😁3
ОТБОР: этап 1 (research proposal)
Информация для тех, кто заполнил регистрационную форму:
Теперь предлагаем выполнить творческое тестовое задание, которое поможет нам узнать про ваши интересы, знания, кругозор и мотивацию.
🔹Содержание задания:
1. Выберите одну из статей из нашей базы по ссылке. Выберите ту, которая покажется вам наиболее интересной.
Статью стоит выбирать с оглядкой на трек поступления: теоретический или практический. Распределение статей на более подходящие для каждого из треков будет отмечено по ссылке.
2. Сделайте разбор этой статьи и черновик research proposal'а в ее продолжение. Подробное описание списка вопросов, на которые стоит ответить в proposal'е - ниже.
Язык для ответа на задание: русский или английский на ваш выбор. На наше решение это не влияет. Английский приветствуется только в том случае, если вы действительно уверенно им владеете.
Очень важно, чтобы все идеи, логика, аргументы в задании были предельно понятным и убедительными.
3. Ответ на задание, то есть текст, должно состоять из двух логических частей. Подробнее о них - в следующем посте!
Информация для тех, кто заполнил регистрационную форму:
Теперь предлагаем выполнить творческое тестовое задание, которое поможет нам узнать про ваши интересы, знания, кругозор и мотивацию.
🔹Содержание задания:
1. Выберите одну из статей из нашей базы по ссылке. Выберите ту, которая покажется вам наиболее интересной.
Статью стоит выбирать с оглядкой на трек поступления: теоретический или практический. Распределение статей на более подходящие для каждого из треков будет отмечено по ссылке.
2. Сделайте разбор этой статьи и черновик research proposal'а в ее продолжение. Подробное описание списка вопросов, на которые стоит ответить в proposal'е - ниже.
Язык для ответа на задание: русский или английский на ваш выбор. На наше решение это не влияет. Английский приветствуется только в том случае, если вы действительно уверенно им владеете.
Очень важно, чтобы все идеи, логика, аргументы в задании были предельно понятным и убедительными.
🚨 Использование LLM приветствуется для поиска и анализа информации, для проверки фактов. Но мы осуждаем использование LLM для генерации итогового текста задания.
3. Ответ на задание, то есть текст, должно состоять из двух логических частей. Подробнее о них - в следующем посте!
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥3
Продолжение: информация про 1 этап отбора (research proposal)
3. Ответ на задание, то есть текст, должно состоять из двух логических частей:
🔹Анализ статьи - выделение сильных и слабых сторон работы.
Ниже приведен расширенный (но не полный!) примерный список вопросов, на которые можно ответить в вашем тексте:
1) Какой задаче посвящена работа (нужна ваша трактовка, она может отличаться от заявлений авторов).
2) Хорошо ли сочетается поставленная задача и ее формализация (сужение, конкретизация, допущения). Например, нет ли неявных допущений, которые “занесены под ковер”?
3)Хорошо ли сочетается задача (ее формализация) и предложенный подход к ее решению?
4) Проверьте теоретические формулировки, выкладки. Если есть недочеты, формальные неточности, нестыковки - обязательно укажите на них.
5) Найдите наиболее важные недочеты и сильные стороны протокола экспериментов
6) Обозначьте наиболее важные научные выводы, которые можно сделать из результатов экспериментов. Что в этих результатах может ставить под сомнение выводы авторов или применимость алгоритмов на практике?
7) Каковы перспективы применения предложенных алгоритмов на практике? Какие границы применимости нужно учитывать, какие требования и предположения должны выполняться?
8) Какова научная новизна работы? Какие работы предшествуют данной в научном отношении, какие работы конкурируют с ней, в каком аспекте? Что нового или уникального предложено в данной работе - новый взгляд, новое знание, обоснованное решение, лучшая инженерная комбинация?
Здесь можно написать столько содержательного текста, сколько сочтете нужным, в пределах 3-х страниц. Пожалуйста, пишите достаточно детально, но лаконично. Мы ожидаем, что вы приведете убедительную аргументацию всех ваших соображений с примерами и конкретными ссылками.
🔹Follow-up: это творческая и наиболее важная часть задания
Опишите план гипотетического исследования, которое бы вы провели, отталкиваясь от изученной статьи.
Вы можете:
- придумать новую постановку задачи в продолжение статьи (в этом случае необходимо мотивировать ее важность для науки и практики),
- предложить качественное улучшение алгоритмов,
- предложить важные исследовательские вопросы об их работе и соответствующий план экспериментов.
По ответу на этот вопрос мы хотим оценить не только то, как вы мыслите и генерируете идеи, но и то, как вы доносите их до других людей в виде развернутого плана исследования.
Мы ожидаем, что вы постараетесь его проработать и презентовать в максимально доступном, хорошо структурированном и ясном виде.
Объем ответа никак не ограничивается, но мы просим излагать свои мысли емко и лаконично. Советуем неоднократно перечитать свой текст и оценить его критически. Обычно требуется существенное время, чтобы довести его до ума.
🚨 ДЕДЛАЙН: 15 июня
Для загрузки ответа на задание ссылка.
3. Ответ на задание, то есть текст, должно состоять из двух логических частей:
🔹Анализ статьи - выделение сильных и слабых сторон работы.
Ниже приведен расширенный (но не полный!) примерный список вопросов, на которые можно ответить в вашем тексте:
1) Какой задаче посвящена работа (нужна ваша трактовка, она может отличаться от заявлений авторов).
2) Хорошо ли сочетается поставленная задача и ее формализация (сужение, конкретизация, допущения). Например, нет ли неявных допущений, которые “занесены под ковер”?
3)Хорошо ли сочетается задача (ее формализация) и предложенный подход к ее решению?
4) Проверьте теоретические формулировки, выкладки. Если есть недочеты, формальные неточности, нестыковки - обязательно укажите на них.
5) Найдите наиболее важные недочеты и сильные стороны протокола экспериментов
6) Обозначьте наиболее важные научные выводы, которые можно сделать из результатов экспериментов. Что в этих результатах может ставить под сомнение выводы авторов или применимость алгоритмов на практике?
7) Каковы перспективы применения предложенных алгоритмов на практике? Какие границы применимости нужно учитывать, какие требования и предположения должны выполняться?
8) Какова научная новизна работы? Какие работы предшествуют данной в научном отношении, какие работы конкурируют с ней, в каком аспекте? Что нового или уникального предложено в данной работе - новый взгляд, новое знание, обоснованное решение, лучшая инженерная комбинация?
Нужна ваша трактовка. Это важный и творческий вопрос. Он предполагает, что вы можете изучить дополнительную литературу по теме статьи. К сожалению, многие современные работы (даже очень хорошие) “не замечают” предыдущие научные достижения конкурентов.
Здесь можно написать столько содержательного текста, сколько сочтете нужным, в пределах 3-х страниц. Пожалуйста, пишите достаточно детально, но лаконично. Мы ожидаем, что вы приведете убедительную аргументацию всех ваших соображений с примерами и конкретными ссылками.
🔹Follow-up: это творческая и наиболее важная часть задания
Опишите план гипотетического исследования, которое бы вы провели, отталкиваясь от изученной статьи.
Вы можете:
- придумать новую постановку задачи в продолжение статьи (в этом случае необходимо мотивировать ее важность для науки и практики),
- предложить качественное улучшение алгоритмов,
- предложить важные исследовательские вопросы об их работе и соответствующий план экспериментов.
По ответу на этот вопрос мы хотим оценить не только то, как вы мыслите и генерируете идеи, но и то, как вы доносите их до других людей в виде развернутого плана исследования.
Мы ожидаем, что вы постараетесь его проработать и презентовать в максимально доступном, хорошо структурированном и ясном виде.
Объем ответа никак не ограничивается, но мы просим излагать свои мысли емко и лаконично. Советуем неоднократно перечитать свой текст и оценить его критически. Обычно требуется существенное время, чтобы довести его до ума.
Для загрузки ответа на задание ссылка.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4😈1👾1
#знакомство
Начинаем серию постов про наших преподавателей и лиц программы с человека, который играет ключевую роль:
Глеб Геннадьевич Гусев, заведующий кафедрой, директор Sber AI Lab
🔹Некоторые важные факты:
– Выпускник мехмата МГУ
– Выпускник Независимого Московского Университета
– Кандидат физ.-мат. наук в области геометрии и топологии
– Победитель конкурса Мебиуса работ молодых математиков 2008 г.
Глеб – один из основателей Yandex Research, Sber AI Lab и AIRI.
Автор теоретической части статьи про популярный метод CatBoost и соавтор первых статей от России на топовых конференциях:
NeurIPS (NIPS)
KDD
WWW
WSDM и др.
Ссылка на профиль в scholar
Глеб является автором 17-ти патентов США. Имеет 18 лет опыта прикладных исследований в корпорациях и 14 лет опыта руководства.
🔹Области интересов:
Banking data, Data mining, Multi-agent systems, Learning to rank, Gradient boosting, Statistics, Online evaluation, Algebraic Geometry.
Поет в любительском ансамбле, ходит в походы с друзьями, занимается пауэрлифтингом .
Ссылка на подкаст с Глебом от Deep Learning School (c Татьяной Гайнцевой и Юрием Яровиковым)
Начинаем серию постов про наших преподавателей и лиц программы с человека, который играет ключевую роль:
Глеб Геннадьевич Гусев, заведующий кафедрой, директор Sber AI Lab
🔹Некоторые важные факты:
– Выпускник мехмата МГУ
– Выпускник Независимого Московского Университета
– Кандидат физ.-мат. наук в области геометрии и топологии
– Победитель конкурса Мебиуса работ молодых математиков 2008 г.
Глеб – один из основателей Yandex Research, Sber AI Lab и AIRI.
Автор теоретической части статьи про популярный метод CatBoost и соавтор первых статей от России на топовых конференциях:
NeurIPS (NIPS)
KDD
WWW
WSDM и др.
Ссылка на профиль в scholar
Глеб является автором 17-ти патентов США. Имеет 18 лет опыта прикладных исследований в корпорациях и 14 лет опыта руководства.
🔹Области интересов:
Banking data, Data mining, Multi-agent systems, Learning to rank, Gradient boosting, Statistics, Online evaluation, Algebraic Geometry.
Ссылка на подкаст с Глебом от Deep Learning School (c Татьяной Гайнцевой и Юрием Яровиковым)
🤯6🔥2
#знакомство
Продолжаем рассказывать о наших преподавателях. Сегодня - о человеке, который стоит за курсом «Статистическая теория машинного обучения»:
Никита Андреевич Пучкин, заведующий Лабораторией теоретических основ моделей ИИ (НИУ ВШЭ), доцент НИУ ВШЭ и МФТИ.
🔹 Некоторые важные факты:
– Кандидат физико-математических наук
– Выпускник МФТИ и Сколтеха
– Победитель конкурса «Junior Leader» фонда «БАЗИС» (2024)
– Победитель конкурса «Молодая математика России» (2020)
Статьи Никиты выходили на конференциях уровня A*: COLT, AISTATS, ICLR
и в топовых журналах — JMLR, Neural Networks, Bernoulli
Входил в программный комитет конференции COLT (2024), рецензирует для ведущих журналов и конференций — Annals of Statistics, JRSS (Series B), JMLR, COLT, AISTATS (top-reviewer в 2023 году), ALT.
Ссылка на профиль в scholar
🔹 Области интересов:
статистическая теория машинного обучения, онлайн обучение, многомерная теория вероятностей и статистика.
Продолжаем рассказывать о наших преподавателях. Сегодня - о человеке, который стоит за курсом «Статистическая теория машинного обучения»:
Никита Андреевич Пучкин, заведующий Лабораторией теоретических основ моделей ИИ (НИУ ВШЭ), доцент НИУ ВШЭ и МФТИ.
🔹 Некоторые важные факты:
– Кандидат физико-математических наук
– Выпускник МФТИ и Сколтеха
– Победитель конкурса «Junior Leader» фонда «БАЗИС» (2024)
– Победитель конкурса «Молодая математика России» (2020)
Статьи Никиты выходили на конференциях уровня A*: COLT, AISTATS, ICLR
и в топовых журналах — JMLR, Neural Networks, Bernoulli
Входил в программный комитет конференции COLT (2024), рецензирует для ведущих журналов и конференций — Annals of Statistics, JRSS (Series B), JMLR, COLT, AISTATS (top-reviewer в 2023 году), ALT.
Ссылка на профиль в scholar
Помимо исследований, Никита активно преподаёт: читает курсы по статистической теории машинного обучения в МФТИ и математическая статистике в НИУ ВШЭ.
🔹 Области интересов:
статистическая теория машинного обучения, онлайн обучение, многомерная теория вероятностей и статистика.
Google
Nikita Puchkin
HSE University - 366 цитирований - statistics - machine learning
😎4❤2🏆1
#знакомство
Максим Олегович Макаренко,
руководитель команды прикладных исследований в Центре практического ИИ Сбера (Sber AI Lab)
🔹Важные факты:
- PhD в области компьютерного зрения
- Специалист в области агентных систем и reasoning
- Ранее руководил исследовательским направлением в AI & Advanced Computing Lab, Saudi Aramco
- Был сооснователем и первым техническим директором американского стартапа Pixeltra.
Ссылка на профиль в scholar
Автор патентов в области гиперспектральных систем, оптических вычислительных устройств и специализированных ML-алгоритмов.
🔹Области интересов:
Multi-agent systems, computer vision, time series, optimization theory.
Максим Олегович Макаренко,
руководитель команды прикладных исследований в Центре практического ИИ Сбера (Sber AI Lab)
🔹Важные факты:
- PhD в области компьютерного зрения
- Специалист в области агентных систем и reasoning
- Ранее руководил исследовательским направлением в AI & Advanced Computing Lab, Saudi Aramco
- Был сооснователем и первым техническим директором американского стартапа Pixeltra.
В KAUST защитил диссертацию по тематике аппаратного машинного обучения для задач машинного зрения. Выполнил цикл работ по обучаемым метаповерхностям, гиперспектральной съемке и оптическим ускорителям, результаты которого опубликованы в ведущих международных журналах и на конференциях, включая:
Nature Communications,
Light: Science & Applications,
CVPR и другие.
Ссылка на профиль в scholar
Автор патентов в области гиперспектральных систем, оптических вычислительных устройств и специализированных ML-алгоритмов.
🔹Области интересов:
Multi-agent systems, computer vision, time series, optimization theory.
🔥4💅2
#знакомство
Продолжаем знакомить вас с командой:
Андрей Владимирович Савченко, профессор, ведущий научный сотрудник лаборатории теоретических основ моделей искусственного интеллекта НИУ ВШЭ и лаборатории ЛАТАС НИУ ВШЭ в Нижнем Новгороде, научный директор Sber AI Lab.
🔹 Некоторые важные факты:
- Доктор технических наук (2016)
- Входит в топ-2% самых цитируемых учёных мира по версии Elsevier
- Лауреат премии им. Неймарка (2023) в номинации «Создание ИТ-технологий мирового уровня»
- Благодарность Правительства РФ за вклад в развитие ИИ в науке (2026)
Андрей - автор более 300 научных публикаций, в том числе на топовых конференциях:
ICML, NeurIPS, ACL, AAAI, EMNLP, KDD.
Руководитель более 10 прикладных проектов по компьютерному зрению с компаниями Samsung и Huawei
Ссылка на профиль в scholar
🔹 Области интересов:
Компьютерное зрение, мультимодальные методы, эмоциональный ИИ.
Продолжаем знакомить вас с командой:
Андрей Владимирович Савченко, профессор, ведущий научный сотрудник лаборатории теоретических основ моделей искусственного интеллекта НИУ ВШЭ и лаборатории ЛАТАС НИУ ВШЭ в Нижнем Новгороде, научный директор Sber AI Lab.
🔹 Некоторые важные факты:
- Доктор технических наук (2016)
- Входит в топ-2% самых цитируемых учёных мира по версии Elsevier
- Лауреат премии им. Неймарка (2023) в номинации «Создание ИТ-технологий мирового уровня»
- Благодарность Правительства РФ за вклад в развитие ИИ в науке (2026)
Андрей - автор более 300 научных публикаций, в том числе на топовых конференциях:
ICML, NeurIPS, ACL, AAAI, EMNLP, KDD.
Создал популярную библиотеку распознавания эмоций EmotiEffLib - решения на её основе неоднократно побеждали в конкурсах ABAW (Affective Behaviour Analysis in-the-Wild) при ведущих конференциях по компьютерному зрению CVPR и ECCV.
Руководитель более 10 прикладных проектов по компьютерному зрению с компаниями Samsung и Huawei
Ссылка на профиль в scholar
🔹 Области интересов:
Компьютерное зрение, мультимодальные методы, эмоциональный ИИ.
Google
Andrey Savchenko
Sber AI Lab; HSE University - Nizhny Novgorod - 4 165 цитирований - Computer Vision - Pattern Recognition - Machine Learning - Speech Processing - Image Processing
❤3🏆2🤯1🍓1😎1
Дорогие друзья-абитуриенты кафедры!
Как мы писали ранее, у нас есть возможность провести для вас дополнительную онлайн-встречу с руководством кафедры, чтобы ответить на ваши вопросы по поводу написания research proposal для отбора на кафедру.
Задать вопросы можно будет Глебу Геннадьевичу Гусеву и Андрею Владимировичу Савченко.
Для того, чтобы ее провести, нам важно понять, есть ли спрос: возможно, у вас остались вопросы по одному из пунктов, обозначенных в посте выше или по статьям, предложенным к анализу.
Для этого просим вас проголосовать в опросе ниже:
Как мы писали ранее, у нас есть возможность провести для вас дополнительную онлайн-встречу с руководством кафедры, чтобы ответить на ваши вопросы по поводу написания research proposal для отбора на кафедру.
Задать вопросы можно будет Глебу Геннадьевичу Гусеву и Андрею Владимировичу Савченко.
Для того, чтобы ее провести, нам важно понять, есть ли спрос: возможно, у вас остались вопросы по одному из пунктов, обозначенных в посте выше или по статьям, предложенным к анализу.
Для этого просим вас проголосовать в опросе ниже:
Telegram
Математика ИИ|Сбер + ФПМИ
Продолжение: информация про 1 этап отбора (research proposal)
3. Ответ на задание, то есть текст, должно состоять из двух логических частей:
🔹Анализ статьи - выделение сильных и слабых сторон работы.
Ниже приведен расширенный (но не полный!) примерный…
3. Ответ на задание, то есть текст, должно состоять из двух логических частей:
🔹Анализ статьи - выделение сильных и слабых сторон работы.
Ниже приведен расширенный (но не полный!) примерный…
🔥3
Я бы хотел хотел прийти на онлайн встречу и задать свои вопросы по процедуре отбора или задачам:
Anonymous Poll
58%
да!
42%
нет, все понятно по описанию
Добрый вечер, дорогие друзья!
На этой неделе мы проводим обещанную онлайн-встречу с руководством кафедры, где можно будет задать все интересующие вас вопросы по процедуре отбора, заданиям и не только.
До встречи!🚀
Дата: 11 июня, четверг
Время: 18:30
Ссылка: https://fpmi.ktalk.ru/bqek8mr822x8
(подключаться НЕ через браузер mozilla 💀)
P.S. Перед встречей можно освежить в памяти рассказ о кафедре на нашей презентации
На этой неделе мы проводим обещанную онлайн-встречу с руководством кафедры, где можно будет задать все интересующие вас вопросы по процедуре отбора, заданиям и не только.
До встречи!🚀
Дата: 11 июня, четверг
Время: 18:30
Ссылка: https://fpmi.ktalk.ru/bqek8mr822x8
(подключаться НЕ через браузер mozilla 💀)
P.S. Перед встречей можно освежить в памяти рассказ о кафедре на нашей презентации
YouTube
Презентации базовых кафедр 6. Математика искусственного интеллекта
Плейлист на YouTube: https://www.youtube.com/playlist?list=PL4_hYwCyhAvZSJkkE7uLlad0-8rpx_HkZ
Плейлист в ВК: https://vkvideo.ru/playlist/-226870471_55
Плейлист в ВК: https://vkvideo.ru/playlist/-226870471_55
⚡3❤2
#знакомство
Сегодня представляем вам команду курса по рекомендательным системам! В рамках этого курса будут рассмотрены как классические методы построения рекомендаций, так и современные нейросетевые подходы, широко применяемые в индустрии и научных исследованиях.
Алексей Валерьевич Васильев, руководитель команды рекомендательных систем и персонализации центра практического ИИ Сбера (Sber AI Lab), научный сотрудник НИУ ВШЭ, старший научный сотрудник МГУ.
🔹 Разные факты:
- Победитель научной премии «Исследователь года» и командной премии «Прорыв года» в Сбере (2024)
- Организатор конференции «RecSys Темы»
- Алексей ведёт канал @recsys_themes
Алексей — автор научных публикаций, в том числе на топовых конференциях:
SIGIR, KDD, NAACL, RecSys, ECIR.
Также Алексей является автором нескольких рекомендательных Open source библиотек, в том числе RePlay — основной библиотеки Сбера в области RecSys. Руководитель более 10 прикладных проектов по RecSys в Сбере совместно с различными вузами.
Помимо этого, Алексей является призером различных ML-соревнований, активно преподаёт в ВШЭ
Ссылка на профиль в scholar
🔹 Области интересов:
Рекомендательные системы, персонализация.
Сегодня представляем вам команду курса по рекомендательным системам! В рамках этого курса будут рассмотрены как классические методы построения рекомендаций, так и современные нейросетевые подходы, широко применяемые в индустрии и научных исследованиях.
Алексей Валерьевич Васильев, руководитель команды рекомендательных систем и персонализации центра практического ИИ Сбера (Sber AI Lab), научный сотрудник НИУ ВШЭ, старший научный сотрудник МГУ.
🔹 Разные факты:
- Победитель научной премии «Исследователь года» и командной премии «Прорыв года» в Сбере (2024)
- Организатор конференции «RecSys Темы»
- Алексей ведёт канал @recsys_themes
Алексей — автор научных публикаций, в том числе на топовых конференциях:
SIGIR, KDD, NAACL, RecSys, ECIR.
Также Алексей является автором нескольких рекомендательных Open source библиотек, в том числе RePlay — основной библиотеки Сбера в области RecSys. Руководитель более 10 прикладных проектов по RecSys в Сбере совместно с различными вузами.
Помимо этого, Алексей является призером различных ML-соревнований, активно преподаёт в ВШЭ
Ссылка на профиль в scholar
🔹 Области интересов:
Рекомендательные системы, персонализация.
scholar.google.ru
Alexey Vasilev
Sber AI Lab; HSE University; MSU AI Center - 394 цитирования - Machine Learning - Data science - Recommender System - NLP
❤2😎2
#знакомство
Команда курса по RecSys, продолжаем:
Антон Николаевич Кленицкий, специалист в области машинного обучения с более чем 10-летним опытом работы.
🔹 Некоторые важные факты:
- Кандидат физико-математических наук
- Kaggle Master
- Многократный призёр соревнований по машинному обучению
Антон — автор ряда научных публикаций, в том числе на таких конференциях как RecSys, SIGIR, KDD, ECIR.
Ссылка на профиль в scholar
🔹 Области интересов:
Рекомендательные системы
Команда курса по RecSys, продолжаем:
Антон Николаевич Кленицкий, специалист в области машинного обучения с более чем 10-летним опытом работы.
🔹 Некоторые важные факты:
- Кандидат физико-математических наук
- Kaggle Master
- Многократный призёр соревнований по машинному обучению
Антон — автор ряда научных публикаций, в том числе на таких конференциях как RecSys, SIGIR, KDD, ECIR.
Ссылка на профиль в scholar
🔹 Области интересов:
Рекомендательные системы
Google
Anton Klenitskiy
Sber AI Lab - Cited by 241 - Machine learning - Deep learning - Recommender Systems
🔥3