https://wiki.cs.hse.ru/api.php?action=feedcontributions&feedformat=atom&user=Akonushin 2026-09-20T23:02:39Z Вклад MediaWiki 1.43.9 https://wiki.cs.hse.ru/index.php?title=%D0%94%D0%B8%D1%81%D0%BA%D1%80%D0%B5%D1%82%D0%BD%D0%B0%D1%8F_%D0%BE%D0%BF%D1%82%D0%B8%D0%BC%D0%B8%D0%B7%D0%B0%D1%86%D0%B8%D1%8F_2018&diff=27445 2018-04-04T07:20:04Z

<p>Akonushin: Новая страница: «== О курсе == Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 4 модуле. &#039;&#039;&#039;Л…»</p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 4 модуле. <br /> <br /> '''Лектор:''' [http://wiki.cs.hse.ru/%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:Ignat Игнат Колесниченко]<br /> <br /> Лекции ПМИ проходят по вторникам, 13:40 - 15:00, ауд. 622.<br /> <br /> === Полезные ссылки ===<br /> <br /> Репозиторий с материалами:<br /> Канал в телеграм для объявлений:<br /> Чат с преподавателями, где можно задавать вопросы (не флудить): https://t.me/lsml18<br /> <br /> Таблица с оценками: ?<br /> <br /> Оставить отзыв на курс: ?<br /> <br /> <br /> <br /> == Семинары ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Учебный ассистент !! Страница !! Расписание<br /> |-<br /> | МОП 151 || Лахтанов Иван || ? || ? || ?<br /> |-<br /> | МОП 152 || Колесниченко Игнат || ? || ? || ?<br /> |-<br /> | АПР 153 || Суханов Николай || ? || ? || ?<br /> |-<br /> | АДИС 154 || Савченко Руслан || ? || ? || ?<br /> |-<br /> | РС 155 || Ахмедов Максим || ? || ? || ?<br /> |- <br /> | ТИ 156 || Саакян Вильям || ? || ? || ?<br /> |- <br /> |}<br /> <br /> Ассистенты: ??<br /> <br /> === Консультации ===<br /> <br /> Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Практические домашние работы на Python<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.35 * O&lt;sub&gt;дз1&lt;/sub&gt; + 0.35 * О&lt;sub&gt;дз2&lt;/sub&gt; + 0.3 * О&lt;sub&gt;работа_на_семинаре&lt;/sub&gt;<br /> <br /> Необходимым условием для получения автомата является накопленная оценка, равная 8 или выше.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> На каждое домашнее задание каждому студенту отводится ~2 недели беспрерывной работы ресурсов в облаке Azure. <br /> Лучше останавливать машины, как написано в инструкции, когда вы их не используете, так всем точно хватит ресурсов.<br /> <br /> Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.<br /> <br /> При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины дедлайн по домашнему заданию может быть перенесён (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> Из 2017:<br /> <br /> '''Лекция 1''' (3 апреля). Онлайн-обучение и линейные модели [[https://github.com/ZEMUSHKA/lsml_hse/blob/master/lecture1.pdf Слайды]]<br /> <br /> '''Лекция 2''' (10 апреля). Введение в Apache Spark [[https://github.com/ZEMUSHKA/lsml_hse/blob/master/lecture2.pdf Слайды]]<br /> <br /> '''Лекция 3''' (17 апреля). Рекомендательные системы [[https://github.com/ZEMUSHKA/lsml_hse/blob/master/lecture3.pdf Слайды]]<br /> <br /> '''Лекция 4''' (24 апреля). Градиентный бустинг [[https://github.com/ZEMUSHKA/lsml_hse/blob/master/lecture4.pdf Слайды]]<br /> <br /> '''Лекция 5''' (15 мая). Введение в TensorFlow [[https://github.com/ZEMUSHKA/lsml_hse/blob/master/lecture5.pdf Слайды]]<br /> <br /> '''Лекция 6''' (22 мая). Сверточные сети [[https://github.com/ZEMUSHKA/lsml_hse/blob/master/lecture6.pdf Слайды]]<br /> <br /> '''Лекция 7''' (29 мая). Рекуррентные сети [[https://github.com/ZEMUSHKA/lsml_hse/blob/master/lecture7.pdf Слайды]]<br /> <br /> '''Лекция 8''' (5 июня). MinHash, LSH и понижение размерности [[https://github.com/ZEMUSHKA/lsml_hse/ Материалы 8 лекции]]<br /> <br /> == Практические задания ==<br /> Из 2017:<br /> <br /> '''Задание 1.''' Рекомендательная система на Apache Spark<br /> <br /> Дата выдачи: 17.04.2017 23:59MSK<br /> <br /> Дедлайн: 10.05.2016 23:59MSK<br /> <br /> Условие: https://docs.google.com/document/d/1LMs8QBpD60qLPvrxPcav5I3tb9PJZkx4t8JuFoH_YOA/edit?usp=sharing<br /> В условие будут добавляться комментарии, следите за обновлениями.<br /> <br /> '''Задание 2 и 3.''' Сверточные сети в TensorFlow<br /> <br /> Дата выдачи: 23.05.2017 23:59MSK<br /> <br /> Дедлайн 2 задания: 04.06.2017 23:59MSK<br /> <br /> Дедлайн 3 задания: 14.06.2017 23:59MSK (жесткий)<br /> <br /> Условие: https://docs.google.com/document/d/1EN-0jAjC5ZAaE-7dR5oWDAOPZYh7lsBE0n_C3yP0q5U/edit?usp=sharing<br /> <br /> == Экзамен ==<br /> <br /> Дата: ?<br /> <br /> Место: ?<br /> <br /> Вопросы к экзамену: https://docs.google.com/document/d/1xtQv7vIfo2b7ZOvnw5U7SB2gatAFHUs5Xf65a8ps7k4/edit?usp=sharing<br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> # Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.<br /> # Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.<br /> # Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.<br /> # Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%9E_%D1%84%D0%B0%D0%BA%D1%83%D0%BB%D1%8C%D1%82%D0%B5%D1%82%D0%B5&diff=27444 2018-04-04T07:13:43Z

<p>Akonushin: /* Курсы за 2017/18 учебный год */</p> <hr /> <div>__NOTOC__ <br /> <br /> == Учебные курсы факультета компьютерных наук==<br /> <br /> === Курсы за 2017/18 учебный год ===<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы<br /> |-<br /> |<br /> <br /> [[Математический_анализ_на_ПМИ_2017/2018_(пилотный_поток) | Математический анализ на ПМИ 2017/2018 (пилотный поток)]]<br /> <br /> [[Математический_анализ_на_ПМИ_2017/2018_(основной_поток) | Математический анализ на ПМИ 2017/2018 (основной поток)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2017/2018_(пилотный_поток,_1_модуль) | Основы и методология программирования на ПМИ 2017/2018 (пилотный поток, 1 модуль)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2017/2018_(основной_поток,_2_модуль) | Основы и методология программирования на ПМИ 2017/2018 (основной поток, 2 модуль)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2017/2018_(основной_поток,_3_модуль) | Основы и методология программирования на ПМИ 2017/2018 (основной поток, 3 модуль)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_на_ПМИ_2017/2018_(основной_поток) | Алгоритмы и структуры данных на ПМИ 2017/2018 (основной поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2017/2018_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2017/2018_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]<br /> <br /> [[Дискретная_математика_1_2017/2018 | Дискретная математика-1 на ПМИ]]<br /> <br /> [[Алгоритмы и структуры данных 1 | Алгоритмы и структуры данных – 1 (пилотный поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2017/2018 | Алгебра на ПМИ]]<br /> <br /> ||<br /> [[Теория_вероятностей_2017/2018_(основной_поток) | Теория вероятностей на ПМИ (основной поток)]]<br /> <br /> [[Теория_вероятностей_2017/2018_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]<br /> <br /> [[Математический анализ-3 на ПМИ_2017/2018_(основной_поток) | Математический анализ-2 на ПМИ (основной поток)]]<br /> <br /> [[Математический анализ на ПМИ_2017/2018 | Математический анализ-3 на ПМИ (пилотный поток)]]<br /> <br /> [[DM2-pilot2017/2018 | Дискретная математика-2 на ПМИ (пилотный поток)]]<br /> <br /> [[DM_2_2017_2018 | Дискретная математика-2 на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы и структуры данных_2_2017/2018 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]<br /> <br /> [[Дифференциальные уравнения (2 курс, 2017/2018)| Дифференциальные уравнения]]<br /> <br /> ||<br /> [[Машинное_обучение_1 | Машинное обучение 1 на ПМИ]]<br /> <br /> [[Машинное_обучение_2 | Машинное обучение 2 на ПМИ]]<br /> <br /> [[Численные_методы_2017 | Численные методы]]<br /> <br /> [[Statistics of Stochastic Processes|Статистика случайных процессов 2018]] <br /> <br /> [[Прикладная_статистика_в_машинном_обучении | Прикладная статистика в машинном обучении]]<br /> <br /> [[Theory_of_Computing | Theory of Computing, AMI]]<br /> <br /> [[Statistical_learning_theory | Introduction to statistical learning theory]]<br /> <br /> [[Основные_методы_анализа_данных_(специализация_АДИС) | Основные методы анализа данных на ПМИ]]<br /> <br /> [[Параллельные и распределенные вычисления 2017 | Параллельные и распределенные вычисления]]<br /> <br /> [[Анализ неструктурированных данных]]<br /> <br /> [[Безопасность компьютерных систем 2017 | Безопасность компьютерных систем]]<br /> <br /> [[НИС_Распределенные_системы_(3_курс,_2017) | НИС Распределенные системы]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2017/2018 | НИС Машинное обучение и приложения]]<br /> <br /> [[Непрерывная_оптимизация | Непрерывная оптимизация]]<br /> <br /> [[ Сложность_и_логика| Сложность вычислений и логика в теоретической информатике]]<br /> <br /> [[Data_analysis_(Software_Engineering)_2018 | Data Analysis на ПИ]]<br /> <br /> [http://telegra.ph/Kurs-Vvedenie-v-OOP-VSHEH-2018-Modul-3-01-30 Введение в ООП]<br /> <br /> [http://wiki.cs.hse.ru/Машинное_обучение_на_больших_данных Машинное обучение на больших данных]<br /> <br /> [[Дискретная_оптимизация | Дискретная оптимизация]]<br /> <br /> ||<br /> <br /> [[Безопасность компьютерных систем 2017 | Безопасность компьютерных систем]]<br /> <br /> [[Философия_науки_2017 | Философия науки]]<br /> <br /> [[НИС_Распределенные_системы_(4_курс,_2017) | НИС Распределенные системы]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2017/2018 | НИС Машинное обучение и приложения]]<br /> <br /> [[Анализ неструктурированных данных]]<br /> <br /> [[Байесовские методы машинного обучения 2017 | Байесовские методы машинного обучения]]<br /> <br /> [[Функциональное программирование 2018 | Функциональное программирование]]<br /> <br /> [http://telegra.ph/Kurs-Vvedenie-v-OOP-VSHEH-2018-Modul-3-01-30 Введение в ООП]<br /> <br /> ||<br /> <br /> [[Современные методы машинного обучения (курс майнора) 2017/2018]]<br /> <br /> [[Введение в программирование (курс майнора) 2017/2018]]<br /> <br /> [[Майнор Интеллектуальный анализ данных/Введение в анализ данных | Введение в анализ данных (курс майнора)]]<br /> <br /> [[Прикладные задачи анализа данных (майнор - весна 2018)]]<br /> <br /> [[Маго-лего &quot;Линейная алгебра в приложениях&quot; весна 2018 | Линейная алгебра в приложениях (маго-лего)]]<br /> <br /> [[Функциональный анализ 2017/18 | Функциональный анализ на ПМИ (факультатив)]]<br /> <br /> [[Дополнительные главы теории вероятностей и математической статистики (факультативы) | Дополнительные главы теории вероятностей и математической статистики (факультативы)]]<br /> <br /> [[Дополнительные главы дискретной математики 2017/18 | Дополнительные главы дискретной математики (факультатив)]]<br /> <br /> [[Цифровые технологии в гуманитарных науках]]<br /> <br /> |}<br /> <br /> == Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==<br /> <br /> === 2 семестр ===<br /> <br /> [[Цифровая_грамотность_2018_(2_семестр)|Цифровая грамотность (факультет гуманитарных наук — 2 семестр: ИЯМК, Филология, История искусств, Культурология, 1 курс)]]&lt;br /&gt;<br /> [[Научно-исследовательский семинар (ФСН) |Научно-исследовательский семинар (ОП &quot;Политология&quot;, 1 курс)]]&lt;br /&gt;<br /> [[Introduction_to_Data_Culture|Introduction to Data Culture (HSE and University of London Parallel Degree Programme in International Relations, 1 year)]]&lt;br /&gt;<br /> [[ИИ_и_БД|Искусственный интеллект и большие данные (ОП &quot;Дизайн&quot;, &quot;Мода&quot;, 1 курс)]]&lt;br /&gt;<br /> [[Программирование_(python)_для_лингвистов|Компьютерная лингвистика и информационные технологии (ОП &quot;Фундаментальная и компьютерная лингвистика&quot;, 4 курс, 2 семестр)]]&lt;br /&gt;<br /> [[Основы анализа данных в международных отношениях|Основы анализа данных в международных отношениях (ОП &quot;Международные отношения&quot;, 2 курс, 4 модуль)]]&lt;br /&gt;<br /> [[Введение в data science (2_семестр)|Профориентационный семинар (блок по введению в data scicence) (Факультет социальных наук — 2 семестр: Социология, 1 курс)]]&lt;br /&gt;<br /> [[Введение в Data Science| Введение в Data Science (ФБиМ, 4 модуль)]]&lt;br /&gt;<br /> <br /> === 1 семестр ===<br /> <br /> [[Цифровая_грамотность|Цифровая грамотность (факультет гуманитарных наук — 1 семестр: История, Философия, 1 курс)]]&lt;br /&gt;<br /> [[Машинное обучение (факультет экономических наук)|Машинное обучение (факультет экономических наук)]] &lt;br /&gt;<br /> [[Программирование (python) для лингвистов | Программирование (python) для лингвистов (факультет гуманитарных наук)]]&lt;br /&gt;<br /> [[Извлечение и анализ интернет-данных | Извлечение и анализ интернет-данных (факультет экономических наук)]]&lt;br /&gt;<br /> [[Анализ больших данных в социальных науках (ФСН, 2017) | Анализ больших данных в социальных науках (ФСН, 2017)]]&lt;br /&gt;<br /> [[Информационные_технологии_в_деятельности_юриста|Информационные технологии в деятельности юриста (Факультет права)]] &lt;br /&gt;<br /> [[Машинное_обучение_для_лингвистов|Машинное обучение (магистратура Школы лингвистики)]] &lt;br /&gt;<br /> <br /> == Курсы магистратуры Финансовые технологии и анализ данных ==<br /> <br /> [[Вероятностные_модели_и_прикладная_статистика_в_финансовой_математике|Вероятностные модели и прикладная статистика в финансовой математике]] &lt;br /&gt;<br /> <br /> == Архив ==<br /> <br /> === Курсы за 2016/17 учебный год ===<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! 1 курс !! 2 курс !! 3-4 курс !! майноры<br /> |-<br /> |<br /> <br /> [[Математический анализ на ПМИ_2016/2017 | Математический анализ на ПМИ (пилотный поток)]]<br /> <br /> [[Линейная алгебра и геометрия_2016/2017 | Линейная алгебра и геометрия на ПМИ]]<br /> <br /> [[Дискретная_математика_1_2016/2017 | Дискретная математика-1 на ПМИ]]<br /> <br /> [[Основы и методология программирования_2016/2017_пилотный_поток | Основы и методология программирования на ПМИ (пилотный поток)]]<br /> <br /> [[Основы и методология программирования_2016/2017 | Основы и методология программирования на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_на_ПМИ_(пилотный_поток) | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_на_ПМИ_(основной_поток) | Алгоритмы и структуры данных на ПМИ (основной поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2016/2017 | Алгебра на ПМИ]]<br /> <br /> [http://hsealgebra17.wikidot.com/ Алгебра на ПИ]<br /> <br /> || <br /> <br /> [[Математический анализ_2016/2017 | Математический анализ-3 на ПМИ (основной поток)]]<br /> <br /> [[Математически_анализ_3_на_ПМИ_(пилотный_поток) | Математический анализ-3 на ПМИ (пилотный поток)]]<br /> <br /> [[DM_2_2016_2017 | Дискретная математика-2 на ПМИ (основной поток)]]<br /> <br /> [[Дискретная математика_2_2016/2017 | Дискретная математика-2 на ПМИ (пилотный поток)]]<br /> <br /> [[Алгоритмы и структуры данных_2_2016/2017 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]<br /> <br /> [[Теория вероятностей_2016/2017 | Теория вероятностей на ПМИ (основной поток)]]<br /> <br /> [[Теория_вероятностей_2016/2017_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]<br /> <br /> [[Архитектура_компьютеров_и_операционные_системы_2016/2017 | Архитектура компьютеров и операционные системы]]<br /> <br /> [[Факультатив_теория_вычислений_2016/2017 | Факультатив теория вычислений на ПМИ]]<br /> <br /> [[Дополнительные_главы_теории_вероятностей_(факультатив,_2017) | Дополнительные главы теории вероятностей (факультатив)]]<br /> <br /> [[Дифференциальные_уравнения_(2_курс,_2016/2017) | Дифференциальные уравнения]]<br /> <br /> [[Математическая_статистика_2016/2017_(пилотный_поток) | Математическая статистика на ПМИ (пилотный поток)]]<br /> <br /> [[Архитектура_компьютеров_и_операционные_системы_2016/2017 | Архитектура компьютеров и операционные системы ]]<br /> <br /> || <br /> <br /> [[НИС_Машинное_обучение_и_приложения_2016/2017 | НИС Машинное обучение и приложения на ПМИ]]<br /> <br /> [[Машинное_обучение_1/2016_2017 | Машинное обучение 1 на ПМИ]]<br /> <br /> [[Машинное_обучение_2/2016_2017 | Машинное обучение 2 на ПМИ]]<br /> <br /> [[Прикладной_статистический_анализ_данных | Прикладной статистический анализ данных на ПМИ]]<br /> <br /> [[Численные_методы_в_анализе_данных | Численные методы в анализе данных на ПМИ]]<br /> <br /> [http://www.machinelearning.ru/wiki/index.php?title=Статистика_случайных_процессов_(курс_лекций,_ФКН_ВШЭ) Вероятностные модели и статистика случайных процессов на ПМИ]<br /> <br /> [http://www.machinelearning.ru/wiki/index.php?title=Opt Методы оптимизации на ПМИ (специализации МОП и РС)]<br /> <br /> [[Методы_оптимизации_(весна_2017)|Методы оптимизации 2 (дискретная оптимизация)]]<br /> <br /> [[НИС_Распределенные_системы_(осень_2016) | НИС Распределенные системы]]<br /> <br /> [[Анализ и верификация алгоритмов биржевой торговли | Анализ и верификация алгоритмов для систем биржевой торговли ]]<br /> <br /> [[Программирование_на_графических_процессорах | Программирование на графических процессорах]]<br /> <br /> [[ЯРПО | Языки разработки ПО (курс по выбору) на ПМИ]]<br /> <br /> [[Data analysis (Software Engineering) 2017 | Data analysis на ПИ]]<br /> <br /> [[Базы данных 2 | Базы данных 2 ]]<br /> <br /> [[Компьютерные сети 2 | Компьютерные сети 2]]<br /> <br /> [[Машинное_обучение_на_больших_данных | Машинное обучение на больших данных на ПМИ]]<br /> <br /> ||<br /> <br /> [[Современные_методы_машинного_обучения_(курс_майнора) | Современные методы машинного обучения (курс майнора)]]<br /> <br /> [[Майнор_Интеллектуальный_анализ_данных/Введение_в_программирование_2016/2017 | Введение в программирование (курс майнора)]]<br /> <br /> [[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2016-2017 | Введение в анализ данных (курс майнора)]]<br /> <br /> [[Майнор Интеллектуальный анализ данных/Прикладные задачи анализа данных| Прикладные задачи анализа данных (курс майнора)]]<br /> <br /> |}<br /> <br /> {|width=100%<br /> |style=&quot;vertical-align:top;&quot;|<br /> <br /> &lt;!-- Первая колонка --&gt;<br /> <br /> === Курсы за 2015/16 учебный год ===<br /> {|<br /> |-<br /> | [[Технологии программирования|Технологии программирования на ПМИ]]<br /> |-<br /> |[[ОиМП-2015|Основы и методология программирования на ПМИ]]<br /> |-<br /> |[[Алгоритмы и структуры данных 2016]]<br /> |-<br /> |[[Линейная алгебра и геометрия_2015/2016 | Линейная алгебра и геометрия на ПМИ]]<br /> |-<br /> |[[Алгебра_2015/2016 | Алгебра на ПМИ]]<br /> |-<br /> |[http://hsealgebra.wikidot.com/ Алгебра на ПИ]<br /> |-<br /> |[[Компьютерные системы]]<br /> |-<br /> |[[Математический анализ на ПМИ_2015/2016 | Математический анализ на ПМИ]]<br /> |-<br /> |[[Факультатив_Матпрактикум | Матпрактикум (факультатив) на ПМИ]]<br /> |-<br /> |[[Data analysis (Software Engineering)]]&lt;br /&gt;<br /> |-<br /> |[[Майнор Интеллектуальный анализ данных/Введение в программирование|Введение в программирование (курс майнора) на ПМИ]]<br /> |-<br /> |[[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2015-2016|Введение в анализ данных (курс майнора) на ПМИ]]<br /> |-<br /> |[[НИС Машинное обучение и приложения|НИС Машинное обучение и приложения на ПМИ]]<br /> |-<br /> |[[Архитектура компьютеров и системное программирование (ПМИ_4, 2015/2016)|Архитектура компьютеров и системное программирование (4 курс)]]<br /> |-<br /> |[[Дифференциальные уравнения (2 курс, 2015/2016)| Дифференциальные уравнения]]<br /> |-<br /> |[[Введение в VBA|Введение в VBA]]<br /> |}<br /> <br /> |style=&quot;vertical-align:top;&quot;|<br /> <br /> &lt;!-- Вторая колонка --&gt;<br /> <br /> === Курсы за 2014/15 учебный год ===<br /> {|<br /> |-<br /> |[[Основы и методологии программирования]]&lt;br /&gt;<br /> |-<br /> |[[Алгоритмы и структуры данных 2015 | Алгоритмы и структуры данных]]&lt;br /&gt;<br /> |-<br /> |[[Анализ данных (Программная инженерия)]]&lt;br /&gt;<br /> |-<br /> |[[Алгебра_2014/2015 | Алгебра]]&lt;br /&gt;<br /> |-<br /> |[[Magolego_sna_2015| MAGoLEGO Social Network Analysis]]<br /> |}<br /> <br /> ==== Проектная работа ====<br /> {|<br /> |-<br /> |[[Проектная работа]] &lt;br /&gt;<br /> |-<br /> |[[Учебная практика 1 курс (2016)]]<br /> |-<br /> |[[Проектная работа 2 курс (2016)]]<br /> |}<br /> <br /> &lt;!-- Завершение двухколоночной таблицы --&gt;<br /> |}<br /> <br /> == Мероприятия факультета компьютерных наук ==<br /> === Summer School 2015 ===<br /> [[Introduction to Natural Language Processing|Introduction to Natural Language Processing]]<br /> #[[Lecture 1. Introduction|Introduction]]<br /> #[[Lecture 2. Tokenization and word counts|Tokenization and word counts]]<br /> #[[Lecture 3. POS tagging. Key word and phrase extraction|POS tagging. Key word and phrase extraction]]<br /> #[[Lecture 4. Parsing|Parsing]]<br /> #[[Lecture 5. Language sources|Language sources]]<br /> #[[Lecture 6. Synonyms and near-synonyms detection|Synonyms and near-synonyms detection]]<br /> #[[Lecture 8. Suffix trees for NLP|Suffix trees for NLP]]<br /> #[[NLP References|References]]<br /> <br /> == Архив ==<br /> * [[Учебная практика 1 курс (2015)]]</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A0%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D0%B0%D1%8F_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D0%B0_%D0%B4%D0%BB%D1%8F_%D1%81%D0%BB%D1%83%D0%B6%D0%B1%D1%8B_%D0%B7%D0%BD%D0%B0%D0%BA%D0%BE%D0%BC%D1%81%D1%82%D0%B2_(%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)&diff=27431 2018-04-03T14:59:42Z

<p>Akonushin: /* Критерии оценки */</p> <hr /> <div>{{Карточка_проекта<br /> |name=Рекомендательная система для службы знакомств<br /> |mentor=Конушин Антон<br /> |mentor_login={{URLENCODE:Akonushin|WIKI}}<br /> |semester=Осень 2017<br /> |course=2<br /> |summer=on<br /> |number_of_students=3<br /> |categorize=yes<br /> }}<br /> <br /> === Что это за проект? ===<br /> Доводилось ли вам иметь дело с современными сайтами знакомств, такими как Tinder, Badoo, Hotornot? К сожалению, на текущий момент подобные сервисы будут подбирать вашу вторую половинку только исходя из её местоположения, пола, возраста, а также группы других эвристических параметров. Вам же предстоит создать собственный сервис, являющийся рекомендательной системой для уже существующих. Вам предстоит создать рекомендательную систему, которая будет способна обучаться индивидуальным предпочтениям людей о внешности своей второй половинки и осуществлять фильтрацию выдачи. Для этого вам придется использовать различные алгоритмы машинного обучения, компьютерного зрения, изучить работу существующих рекомендательных систем и внести в нее что-то новое.<br /> В частности, конечной целью вашего проекта является в первую очередь является рекомендательная система, сервер, реализующий её, а также мобильное Android-приложение, осуществляющее взаимодействие сервера и пользователя.<br /> <br /> === Чему вы научитесь? ===<br /> * Освоите работу с нейросетевыми технологиями<br /> * Получите опыт в мобильной разработке<br /> * Изучите существующие алгоритмы рекомендательных систем и попытаетесь создать новые<br /> * Получите навыки работы в компьютерном зрении<br /> * Научитесь писать серверную часть приложения<br /> <br /> === Какие начальные требования? ===<br /> Знание Python, C++, знание ООП, умение реализовывать алгоритмы на Python и C++, начальные знания по компьютерному зрению. <br /> <br /> === Какие будут использоваться технологии? ===<br /> Разработка будет вестись на Python и С++ с использованием библиотек OpenCV, TensorFlow, Keras, Dlib, sklearn. Разработка мобильного приложения будет вестись на Java c использованием Android Studio. <br /> <br /> === Критерии оценки ===<br /> * Отлично (8-10)<br /> ** Как на &quot;хорошо&quot;, но отличающееся положительными достоинствами, например:<br /> *** Реализовано несколько типов признаков для лица человека<br /> *** Проведён подробный анализ функционирования рекомендательной системы с тестированием на большой выборке пользователей<br /> *** Веб-сервер позволяет работать множеству клиентов одновременно<br /> *** Мобильное приложение обладает полной функциональностью выбранного сервиса знакомств<br /> * Хорошо (6-7)<br /> ** Реализован веб-сервер, на котором проводится индексация коллекции, доступ к основной службе знакомств, взаимодействие с мобильным приложением<br /> ** Реализована базовая рекомендательная система на основе распознавания лица человека нейросетевым методом<br /> ** Реализовано мобильное приложение с базовой функциональностью службы знакомств<br /> * Удовлетворительно (4-5)<br /> ** Как на &quot;хорошо&quot;, но есть существенные недостатки, отсутствующая функциональность и т.д.<br /> <br /> === Ориентировочное расписание занятий ===<br /> ВТ 13:40, к. 626.</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A0%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D0%B0%D1%8F_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D0%B0_%D0%B4%D0%BB%D1%8F_%D1%81%D0%BB%D1%83%D0%B6%D0%B1%D1%8B_%D0%B7%D0%BD%D0%B0%D0%BA%D0%BE%D0%BC%D1%81%D1%82%D0%B2_(%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)&diff=27430 2018-04-03T14:54:46Z

<p>Akonushin: /* Критерии оценки */</p> <hr /> <div>{{Карточка_проекта<br /> |name=Рекомендательная система для службы знакомств<br /> |mentor=Конушин Антон<br /> |mentor_login={{URLENCODE:Akonushin|WIKI}}<br /> |semester=Осень 2017<br /> |course=2<br /> |summer=on<br /> |number_of_students=3<br /> |categorize=yes<br /> }}<br /> <br /> === Что это за проект? ===<br /> Доводилось ли вам иметь дело с современными сайтами знакомств, такими как Tinder, Badoo, Hotornot? К сожалению, на текущий момент подобные сервисы будут подбирать вашу вторую половинку только исходя из её местоположения, пола, возраста, а также группы других эвристических параметров. Вам же предстоит создать собственный сервис, являющийся рекомендательной системой для уже существующих. Вам предстоит создать рекомендательную систему, которая будет способна обучаться индивидуальным предпочтениям людей о внешности своей второй половинки и осуществлять фильтрацию выдачи. Для этого вам придется использовать различные алгоритмы машинного обучения, компьютерного зрения, изучить работу существующих рекомендательных систем и внести в нее что-то новое.<br /> В частности, конечной целью вашего проекта является в первую очередь является рекомендательная система, сервер, реализующий её, а также мобильное Android-приложение, осуществляющее взаимодействие сервера и пользователя.<br /> <br /> === Чему вы научитесь? ===<br /> * Освоите работу с нейросетевыми технологиями<br /> * Получите опыт в мобильной разработке<br /> * Изучите существующие алгоритмы рекомендательных систем и попытаетесь создать новые<br /> * Получите навыки работы в компьютерном зрении<br /> * Научитесь писать серверную часть приложения<br /> <br /> === Какие начальные требования? ===<br /> Знание Python, C++, знание ООП, умение реализовывать алгоритмы на Python и C++, начальные знания по компьютерному зрению. <br /> <br /> === Какие будут использоваться технологии? ===<br /> Разработка будет вестись на Python и С++ с использованием библиотек OpenCV, TensorFlow, Keras, Dlib, sklearn. Разработка мобильного приложения будет вестись на Java c использованием Android Studio. <br /> <br /> === Критерии оценки ===<br /> * Отлично (8-10)<br /> * Хорошо (6-7)<br /> * Удовлетворительно (4-5)<br /> <br /> === Ориентировочное расписание занятий ===<br /> ВТ 13:40, к. 626.</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A0%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D0%B0%D1%8F_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D0%B0_%D0%B4%D0%BB%D1%8F_%D1%81%D0%BB%D1%83%D0%B6%D0%B1%D1%8B_%D0%B7%D0%BD%D0%B0%D0%BA%D0%BE%D0%BC%D1%81%D1%82%D0%B2_(%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)&diff=27429 2018-04-03T14:51:54Z

<p>Akonushin: Новая страница: «{{Карточка_проекта |name=Рекомендательная система для службы знакомств |mentor=Конушин Антон |…»</p> <hr /> <div>{{Карточка_проекта<br /> |name=Рекомендательная система для службы знакомств<br /> |mentor=Конушин Антон<br /> |mentor_login={{URLENCODE:Akonushin|WIKI}}<br /> |semester=Осень 2017<br /> |course=2<br /> |summer=on<br /> |number_of_students=3<br /> |categorize=yes<br /> }}<br /> <br /> === Что это за проект? ===<br /> Доводилось ли вам иметь дело с современными сайтами знакомств, такими как Tinder, Badoo, Hotornot? К сожалению, на текущий момент подобные сервисы будут подбирать вашу вторую половинку только исходя из её местоположения, пола, возраста, а также группы других эвристических параметров. Вам же предстоит создать собственный сервис, являющийся рекомендательной системой для уже существующих. Вам предстоит создать рекомендательную систему, которая будет способна обучаться индивидуальным предпочтениям людей о внешности своей второй половинки и осуществлять фильтрацию выдачи. Для этого вам придется использовать различные алгоритмы машинного обучения, компьютерного зрения, изучить работу существующих рекомендательных систем и внести в нее что-то новое.<br /> В частности, конечной целью вашего проекта является в первую очередь является рекомендательная система, сервер, реализующий её, а также мобильное Android-приложение, осуществляющее взаимодействие сервера и пользователя.<br /> <br /> === Чему вы научитесь? ===<br /> * Освоите работу с нейросетевыми технологиями<br /> * Получите опыт в мобильной разработке<br /> * Изучите существующие алгоритмы рекомендательных систем и попытаетесь создать новые<br /> * Получите навыки работы в компьютерном зрении<br /> * Научитесь писать серверную часть приложения<br /> <br /> === Какие начальные требования? ===<br /> Знание Python, C++, знание ООП, умение реализовывать алгоритмы на Python и C++, начальные знания по компьютерному зрению. <br /> <br /> === Какие будут использоваться технологии? ===<br /> Разработка будет вестись на Python и С++ с использованием библиотек OpenCV, TensorFlow, Keras, Dlib, sklearn. Разработка мобильного приложения будет вестись на Java c использованием Android Studio. <br /> <br /> === Критерии оценки ===<br /> Будет объявлено позднее<br /> <br /> === Ориентировочное расписание занятий ===<br /> ВТ 13:40, к. 626.</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:Akonushin&diff=25173 2017-10-12T20:02:50Z

<p>Akonushin: /* Темы на 2017-2018 учебный год */</p> <hr /> <div>= Обо мне =<br /> Меня зовут Конушин Антон. Я доцент департамент больших данных и информационного поиска ФКН НИУ ВШЭ и академический руководитель ОП &quot;Прикладная математика и информатика&quot;. Также я руковожу лабораторией компьютерной графики и мультимедиа ВМК МГУ (http://graphics.cs.msu.ru/ru) и читаю лекции в Школе Анализа Данных Яндекса. Мои основные научные интересы - это компьютерное зрение, машинное обучение и компьютерная графика.<br /> <br /> = Научные интересы =<br /> Основное приложение методов компьютерного зрения, которое мне сейчас интересно, это &quot;разбор видео&quot;, т.е. извлечение всей возможной информации из видеоданных. Главный рассматриваемый сейчас сценарий - это работа с данными видеонаблюдения. На выходе нужно получить всю возможную информацию - выделение всех людей, отслеживание их движения, определение их характеристик (пол, возраст), идентификация людей по лицу / походке / комплекции / одежде, вплоть до построения трёхмерной модели сцены в динамике. <br /> <br /> Главный инструмент компьютерного зрения сейчас - это нейросетевые модели. Нейросети позволяют автоматических вычислять признаки из данных, и их обрабатывать. При этом решение многих задач можно строить в виде одной сложной нейросетевой модели. В этой области идёт бурный прогресс.<br /> <br /> = Структура предлагаемых КР и ВКР =<br /> Все темы КР и ВКР, которые я предлагаю в этом учебном году, связаны с построением, усовершенствованием и применением нейросетевых моделей для задач компьютерного зрения, в первую очередь для анализ видео с людьми. Поэтому общая схема выполнения всех КР и ВКР будет примерно следующая:<br /> <br /> 1) (Рекомендовано) Знакомство с нейросетями. Для этого нужно выполнить 2-3 небольших практических упражнений по нейросетям, на базе одного из фреймворков (Keras). Это позволит освоить ряд основных принципов работы с нейросетями для изображений (размножение данных, задание правильных функций потерь при обучении, использование предобученных моделей и дообучение и т.д.)<br /> 2)Изучение набора базовых статей по теме (ключевые статьи в целом по нейросетям в зрении, набор конкретных по рассматриваемым моделям)<br /> 3) Выбор конкретной модели и её реализации как базового алгоритма. Для многих задач есть готовые реализации. В этом случае нужно освоить реализацию - т.е. научиться обучать модель на своих данных, измерять качество, анализировать такую работу. В некоторых случаях конкретную модель предлагаю я, в других случаях её нужно будет выбрать самостоятельно по результатам проведённого обзора (п.2). Если модели в открытых источниках нет, тогда нужно будет выполнить самостоятельную реализацию этой модели. В зависимости от выбранной модели может потребоваться дополнительно изучить другой фреймворк нейросетей (Caffe, TensorFlow, Torch). <br /> 4) Собственно исследовательская часть, которая включает в себя проверку некоторой гипотезы о развитии этой модели, доработку модели, сбор данных и т.д.<br /> 5) Текст КР. Если есть интересный, пусть небольшой, научный результат, тогда нужно будет написать по тексту диплома статью и подавать её.<br /> <br /> В ходе выполнения курсовой работы на практике можно освоить работу с нейросетевыми моделями, изучать 1-2 фреймворка, научиться применять модели для решения конкретных задач анализа изображений. В зависимости от успехов можно будет успеть провести небольшое законченное исследование. <br /> <br /> = Темы на 2017-2018 учебный год =<br /> <br /> == Генеративные нейросетевые модели для синтеза обучающих данных (Generative cnn-based models for training data syntethis) ==<br /> Нейросетевые модели для синтеза и обработки изображений бурно прогрессируют в последние пару лет. Одно из направлений их использования - подготовка обучающих данных для других алгоритмов компьютерного зрения, например обучения и классификации детекторов и распознавателей объектов. Предварительные эксперименты показывают, что качество генерируемых данных достаточно для обучения на уровне обучения по реальным данным. Есть разные направления работы в рамках этой темы - исследование conditional generative models, постобработка синтетических изображений для повышения визуального качества, модели для встраивания данных в изображение, эксперименты с прямым линейным преобразованием в пространстве признаков. Виды объектов - дорожные знаки, автомобили, люди.<br /> <br /> == Генеративная нейросетевая модель изображения человека (Generative neural model for images of the person) ==<br /> <br /> == Распознавание объектов дорожной сцены для дополненной реальности (Road scene parsing for augmented reality) ==<br /> <br /> == Нейросетевые детекторы объектов (CNN-based object detectors) == <br /> В рамках данной темы возможны различные направления исследований развития детектора объектов:<br /> <br /> * поиск редких объектов<br /> <br /> * нейросетевой детектор голов и фигур людей для систем видеонаблюдения <br /> <br /> * ускорение нейросетевых детекторов <br /> Нейросетевые детекторы лиц людей на изображении работают сейчас очень хорошо, пусть и не идеально. Основное препятствие на пути использования этих методов в устройствах это их вычислительная сложность. Детектор лица работает порядка 200ms на изображение 1980*1080 на видеокарте Nvidia GTX 1070. Однако был предложен целый ряд методов, которые позволяют увеличить производительность нейросетевой модели. Предлагается исследовать применимость этих методов для ускорения детектора лиц. <br /> <br /> == Повторная идентификация и классификация атрибутов человека по изображению фигуры (Person reidentification and classification) ==<br /> Необходимо реализовать нейросетевую модель отображения изображения фигуры человека в вектор-признак, кодирующий внешность человека. Сравнение изображений людей по таким признакам позволяет определить повторное появление человека в видеопотоке. Также такие атрибуты человека, как пол, возраст, комплекция, можно определить, глядя на фотографию фигуры. Если известна &quot;поза&quot; человека, т.е. положение всех конечностей человека в кадре, то задача решается проще. Предлагается реализовать нейросетевую модель, на вход получающую изображение человека с размеченными частями тела, и определяющую атрибуты человека.<br /> <br /> = Материалы =<br /> <br /> * [http://caffe.berkeleyvision.org/ Caffe - deep learning framework] - наиболее активно используемая моими студентами библиотека нейросетей<br /> * [http://u.cs.biu.ac.il/~yogo/nnlp.pdf A Primer on Neural Network Models for Natural Language Processing] хорошее введение в нейросети на примере анализа текстов<br /> * [http://neuralnetworksanddeeplearning.com/ Neural Networks and Deep Learning] - неплохая небольшая книга по глуибнному обучению, с которой можно начинать изучение.<br /> * [http://www.iro.umontreal.ca/~bengioy/dlbook/ Deep Learning book] - черновая версия книги Yoshua Bengio, Ian Goodfellow and Aaron Courville про глубинное обучение. Большая и подробная. Можно читать в фоновом режиме, медленно и вдумчиво. <br /> * [https://github.com/robertsdionne/neural-network-papers robertsdionne/neural-network-papers] - Хорошая коллекция статей про нейросети. Часть мы уже разбирали на семинарах на ВМК, часть будем разбирать, часть посмотрим на семинарах в ВШЭ.<br /> * [https://colah.github.io/ Colah blog] - блог с хорошим описанием ряда вопросов по нейросетям, например, про backpropagation.<br /> * [http://nuit-blanche.blogspot.de/ Nuit Blance blog] - блог с описанием разных моментов по машинному обучению. Можно следить.<br /> * [http://cs231n.github.io/ Курс Стенфорда по нейросетям] - Много интересных материалов по нейросетям<br /> * [http://ufldl.stanford.edu/wiki/index.php/UFLDL_Tutorial] - Хороший тьюториал Стенфорда<br /> * [https://www.facebook.com/moscowcv?ref=aymt_homepage_panel Facebook Moscow Computer Vision Group] - страница семинара по компьютерному зрению в ШАД с дайджестами интересных ссылок</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:Akonushin&diff=25172 2017-10-12T19:58:42Z

<p>Akonushin: /* Темы на 2017-2018 учебный год */</p> <hr /> <div>= Обо мне =<br /> Меня зовут Конушин Антон. Я доцент департамент больших данных и информационного поиска ФКН НИУ ВШЭ и академический руководитель ОП &quot;Прикладная математика и информатика&quot;. Также я руковожу лабораторией компьютерной графики и мультимедиа ВМК МГУ (http://graphics.cs.msu.ru/ru) и читаю лекции в Школе Анализа Данных Яндекса. Мои основные научные интересы - это компьютерное зрение, машинное обучение и компьютерная графика.<br /> <br /> = Научные интересы =<br /> Основное приложение методов компьютерного зрения, которое мне сейчас интересно, это &quot;разбор видео&quot;, т.е. извлечение всей возможной информации из видеоданных. Главный рассматриваемый сейчас сценарий - это работа с данными видеонаблюдения. На выходе нужно получить всю возможную информацию - выделение всех людей, отслеживание их движения, определение их характеристик (пол, возраст), идентификация людей по лицу / походке / комплекции / одежде, вплоть до построения трёхмерной модели сцены в динамике. <br /> <br /> Главный инструмент компьютерного зрения сейчас - это нейросетевые модели. Нейросети позволяют автоматических вычислять признаки из данных, и их обрабатывать. При этом решение многих задач можно строить в виде одной сложной нейросетевой модели. В этой области идёт бурный прогресс.<br /> <br /> = Структура предлагаемых КР и ВКР =<br /> Все темы КР и ВКР, которые я предлагаю в этом учебном году, связаны с построением, усовершенствованием и применением нейросетевых моделей для задач компьютерного зрения, в первую очередь для анализ видео с людьми. Поэтому общая схема выполнения всех КР и ВКР будет примерно следующая:<br /> <br /> 1) (Рекомендовано) Знакомство с нейросетями. Для этого нужно выполнить 2-3 небольших практических упражнений по нейросетям, на базе одного из фреймворков (Keras). Это позволит освоить ряд основных принципов работы с нейросетями для изображений (размножение данных, задание правильных функций потерь при обучении, использование предобученных моделей и дообучение и т.д.)<br /> 2)Изучение набора базовых статей по теме (ключевые статьи в целом по нейросетям в зрении, набор конкретных по рассматриваемым моделям)<br /> 3) Выбор конкретной модели и её реализации как базового алгоритма. Для многих задач есть готовые реализации. В этом случае нужно освоить реализацию - т.е. научиться обучать модель на своих данных, измерять качество, анализировать такую работу. В некоторых случаях конкретную модель предлагаю я, в других случаях её нужно будет выбрать самостоятельно по результатам проведённого обзора (п.2). Если модели в открытых источниках нет, тогда нужно будет выполнить самостоятельную реализацию этой модели. В зависимости от выбранной модели может потребоваться дополнительно изучить другой фреймворк нейросетей (Caffe, TensorFlow, Torch). <br /> 4) Собственно исследовательская часть, которая включает в себя проверку некоторой гипотезы о развитии этой модели, доработку модели, сбор данных и т.д.<br /> 5) Текст КР. Если есть интересный, пусть небольшой, научный результат, тогда нужно будет написать по тексту диплома статью и подавать её.<br /> <br /> В ходе выполнения курсовой работы на практике можно освоить работу с нейросетевыми моделями, изучать 1-2 фреймворка, научиться применять модели для решения конкретных задач анализа изображений. В зависимости от успехов можно будет успеть провести небольшое законченное исследование. <br /> <br /> = Темы на 2017-2018 учебный год =<br /> <br /> == Генеративные нейросетевые модели для синтеза обучающих данных (Generative cnn-based models for training data syntethis) ==<br /> Нейросетевые модели для синтеза и обработки изображений бурно прогрессируют в последние пару лет. Одно из направлений их использования - подготовка обучающих данных для других алгоритмов компьютерного зрения, например обучения и классификации детекторов и распознавателей объектов. Предварительные эксперименты показывают, что качество генерируемых данных достаточно для обучения на уровне обучения по реальным данным. Есть разные направления работы в рамках этой темы - исследование conditional generative models, постобработка синтетических изображений для повышения визуального качества, модели для встраивания данных в изображение, эксперименты с прямым линейным преобразованием в пространстве признаков. Виды объектов - дорожные знаки, автомобили, люди.<br /> <br /> == Распознавание объектов дорожной сцены для дополненной реальности (Road scene parsing for augmented reality) ==<br /> <br /> == Нейросетевые детекторы объектов (CNN-based object detectors) == <br /> В рамкамх <br /> <br /> == Нейросетевой детектор объектов для редких объектов (CNN-based object detector for rare classes) == <br /> <br /> == Нейросетевой детектор голов и фигур людей для систем видеонаблюдения (CNN-based head and person detector for video surveillance) == <br /> <br /> == Ускорение нейросетевых детекторов (Speeding up of CNN-based detectors) == <br /> Нейросетевые детекторы лиц людей на изображении работают сейчас очень хорошо, пусть и не идеально. Основное препятствие на пути использования этих методов в устройствах это их вычислительная сложность. Детектор лица работает порядка 200ms на изображение 1980*1080 на видеокарте Nvidia GTX 1070. Однако был предложен целый ряд методов, которые позволяют увеличить производительность нейросетевой модели. Предлагается исследовать применимость этих методов для ускорения детектора лиц. <br /> <br /> == Генеративная нейросетевая модель изображения человека (Generative neural model for person images) ==<br /> <br /> == Локализация головы, лица и точек на лице человека нейросетевой модель ( Head, face and facial features localization with cnn-based model) ==<br /> Детектор человека позволяет выделить человека на изображении. Однако для последующего анализа полезно определить, где находится (или где должна находиться) голова человека. Видно ли лицо человека? Если да, то где на лице контрольные точки (глаза, нос, рот, уши) и куда смотрит человек? Необходимо разработать модель, получающую на вход изображение фигуры человека, и определяющую указыванные параметры. <br /> <br /> == Повторная идентификация и классификация атрибутов человека по изображению фигуры (Person reidentification and classification) ==<br /> Необходимо реализовать нейросетевую модель отображения изображения фигуры человека в вектор-признак, кодирующий внешность человека. Сравнение изображений людей по таким признакам позволяет определить повторное появление человека в видеопотоке. Также такие атрибуты человека, как пол, возраст, комплекция, можно определить, глядя на фотографию фигуры. Если известна &quot;поза&quot; человека, т.е. положение всех конечностей человека в кадре, то задача решается проще. Предлагается реализовать нейросетевую модель, на вход получающую изображение человека с размеченными частями тела, и определяющую атрибуты человека.<br /> <br /> = Материалы =<br /> <br /> * [http://caffe.berkeleyvision.org/ Caffe - deep learning framework] - наиболее активно используемая моими студентами библиотека нейросетей<br /> * [http://u.cs.biu.ac.il/~yogo/nnlp.pdf A Primer on Neural Network Models for Natural Language Processing] хорошее введение в нейросети на примере анализа текстов<br /> * [http://neuralnetworksanddeeplearning.com/ Neural Networks and Deep Learning] - неплохая небольшая книга по глуибнному обучению, с которой можно начинать изучение.<br /> * [http://www.iro.umontreal.ca/~bengioy/dlbook/ Deep Learning book] - черновая версия книги Yoshua Bengio, Ian Goodfellow and Aaron Courville про глубинное обучение. Большая и подробная. Можно читать в фоновом режиме, медленно и вдумчиво. <br /> * [https://github.com/robertsdionne/neural-network-papers robertsdionne/neural-network-papers] - Хорошая коллекция статей про нейросети. Часть мы уже разбирали на семинарах на ВМК, часть будем разбирать, часть посмотрим на семинарах в ВШЭ.<br /> * [https://colah.github.io/ Colah blog] - блог с хорошим описанием ряда вопросов по нейросетям, например, про backpropagation.<br /> * [http://nuit-blanche.blogspot.de/ Nuit Blance blog] - блог с описанием разных моментов по машинному обучению. Можно следить.<br /> * [http://cs231n.github.io/ Курс Стенфорда по нейросетям] - Много интересных материалов по нейросетям<br /> * [http://ufldl.stanford.edu/wiki/index.php/UFLDL_Tutorial] - Хороший тьюториал Стенфорда<br /> * [https://www.facebook.com/moscowcv?ref=aymt_homepage_panel Facebook Moscow Computer Vision Group] - страница семинара по компьютерному зрению в ШАД с дайджестами интересных ссылок</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:Akonushin&diff=24816 2017-10-02T08:26:27Z

<p>Akonushin: </p> <hr /> <div>= Обо мне =<br /> Меня зовут Конушин Антон. Я доцент департамент больших данных и информационного поиска ФКН НИУ ВШЭ и академический руководитель ОП &quot;Прикладная математика и информатика&quot;. Также я руковожу лабораторией компьютерной графики и мультимедиа ВМК МГУ (http://graphics.cs.msu.ru/ru) и читаю лекции в Школе Анализа Данных Яндекса. Мои основные научные интересы - это компьютерное зрение, машинное обучение и компьютерная графика.<br /> <br /> = Научные интересы =<br /> Основное приложение методов компьютерного зрения, которое мне сейчас интересно, это &quot;разбор видео&quot;, т.е. извлечение всей возможной информации из видеоданных. Главный рассматриваемый сейчас сценарий - это работа с данными видеонаблюдения. На выходе нужно получить всю возможную информацию - выделение всех людей, отслеживание их движения, определение их характеристик (пол, возраст), идентификация людей по лицу / походке / комплекции / одежде, вплоть до построения трёхмерной модели сцены в динамике. <br /> <br /> Главный инструмент компьютерного зрения сейчас - это нейросетевые модели. Нейросети позволяют автоматических вычислять признаки из данных, и их обрабатывать. При этом решение многих задач можно строить в виде одной сложной нейросетевой модели. В этой области идёт бурный прогресс.<br /> <br /> = Структура предлагаемых КР и ВКР =<br /> Все темы КР и ВКР, которые я предлагаю в этом учебном году, связаны с построением, усовершенствованием и применением нейросетевых моделей для задач компьютерного зрения, в первую очередь для анализ видео с людьми. Поэтому общая схема выполнения всех КР и ВКР будет примерно следующая:<br /> <br /> 1) (Рекомендовано) Знакомство с нейросетями. Для этого нужно выполнить 2-3 небольших практических упражнений по нейросетям, на базе одного из фреймворков (Keras). Это позволит освоить ряд основных принципов работы с нейросетями для изображений (размножение данных, задание правильных функций потерь при обучении, использование предобученных моделей и дообучение и т.д.)<br /> 2)Изучение набора базовых статей по теме (ключевые статьи в целом по нейросетям в зрении, набор конкретных по рассматриваемым моделям)<br /> 3) Выбор конкретной модели и её реализации как базового алгоритма. Для многих задач есть готовые реализации. В этом случае нужно освоить реализацию - т.е. научиться обучать модель на своих данных, измерять качество, анализировать такую работу. В некоторых случаях конкретную модель предлагаю я, в других случаях её нужно будет выбрать самостоятельно по результатам проведённого обзора (п.2). Если модели в открытых источниках нет, тогда нужно будет выполнить самостоятельную реализацию этой модели. В зависимости от выбранной модели может потребоваться дополнительно изучить другой фреймворк нейросетей (Caffe, TensorFlow, Torch). <br /> 4) Собственно исследовательская часть, которая включает в себя проверку некоторой гипотезы о развитии этой модели, доработку модели, сбор данных и т.д.<br /> 5) Текст КР. Если есть интересный, пусть небольшой, научный результат, тогда нужно будет написать по тексту диплома статью и подавать её.<br /> <br /> В ходе выполнения курсовой работы на практике можно освоить работу с нейросетевыми моделями, изучать 1-2 фреймворка, научиться применять модели для решения конкретных задач анализа изображений. В зависимости от успехов можно будет успеть провести небольшое законченное исследование. <br /> <br /> = Темы на 2017-2018 учебный год =<br /> <br /> == Генеративные нейросетевые модели для синтеза обучающих данных (Generative cnn-based models for training data syntethis) ==<br /> Нейросетевые модели для синтеза и обработки изображений бурно прогрессируют в последние пару лет. Одно из направлений их использования - подготовка обучающих данных для других алгоритмов компьютерного зрения, например обучения и классификации детекторов и распознавателей объектов. Предварительные эксперименты показывают, что качество генерируемых данных достаточно для обучения на уровне обучения по реальным данным. Есть разные направления работы в рамках этой темы - исследование conditional generative models, постобработка синтетических изображений для повышения визуального качества, модели для встраивания данных в изображение, эксперименты с прямым линейным преобразованием в пространстве признаков. Виды объектов - дорожные знаки, автомобили, люди. <br /> <br /> == Автоматический выбор метапараметров нейросетевой модели выделения объектов (Automatic selection of metaparameters in object detection model) ==<br /> Нейросетевая модель выделения объектов на изображении имеет ряд параметров, которые задает исследователь. Эти параметры зависят от конкретных типов наблюдаемых объектов, их пропорций, размеров в обучающей выборке и т.д. Например, одним из параметров является число гипотез о месте и форме объектов, в каждом анализируемом фрагменте изображения. Сейчас эти параметры выбираются вручную. Предлагается исследовать подходы в автоматическому выбору этих параметров на примерах задач выделения людей, голов и лиц людей в изображениях.<br /> <br /> == Нейросетевая модель выделения и разбора групп людей (CNN-based model for detection and parsing of people groups)==<br /> Обычный нейросетевой детектор выделяет отдельные объекты. В тех местах, где находятся группы близкостоящих людей, наблюдаются ошибки. Предлагается модифицировать имеющуюся нейросетевую модель таким образом, чтобы отдельно обрабатывать такие случаи.<br /> <br /> == Локализация головы, лица и точек на лице человека нейросетевой модель ( Head, face and facial features localization with cnn-based model) ==<br /> Детектор человека позволяет выделить человека на изображении. Однако для последующего анализа полезно определить, где находится (или где должна находиться) голова человека. Видно ли лицо человека? Если да, то где на лице контрольные точки (глаза, нос, рот, уши) и куда смотрит человек? Необходимо разработать модель, получающую на вход изображение фигуры человека, и определяющую указыванные параметры. <br /> <br /> == Быстрая нейросетевая модель выделения лиц людей на изображении (Fast cnn-based model for face detection) ==<br /> Нейросетевые детекторы лиц людей на изображении работают сейчас очень хорошо, пусть и не идеально. Основное препятствие на пути использования этих методов в устройствах это их вычислительная сложность. Детектор лица работает порядка 200ms на изображение 1980*1080 на видеокарте Nvidia GTX 1070. Однако был предложен целый ряд методов, которые позволяют увеличить производительность нейросетевой модели. Предлагается исследовать применимость этих методов для ускорения детектора лиц. <br /> <br /> == Повторная идентификация человека по изображению фигуры (Person reidentification) ==<br /> Необходимо реализовать нейросетевую модель отображения изображения фигуры человека в вектор-признак, кодирующий внешность человека. Сравнение изображений людей по таким признакам позволяет определить повторное появление человека в видеопотоке. <br /> <br /> == Определение атрибутов человека по изображению фигуры (Attribute classification from person image) ==<br /> Такие атрибуты человека, как пол, возраст, комплекция, можно определить, глядя на фотографию фигуры. Если известна &quot;поза&quot; человека, т.е. положение всех конечностей человека в кадре, то задача решается проще. Предлагается реализовать нейросетевую модель, на вход получающую изображение человека с размеченными частями тела, и определяющую атрибуты человека. <br /> <br /> <br /> <br /> = Материалы =<br /> <br /> * [http://caffe.berkeleyvision.org/ Caffe - deep learning framework] - наиболее активно используемая моими студентами библиотека нейросетей<br /> * [http://u.cs.biu.ac.il/~yogo/nnlp.pdf A Primer on Neural Network Models for Natural Language Processing] хорошее введение в нейросети на примере анализа текстов<br /> * [http://neuralnetworksanddeeplearning.com/ Neural Networks and Deep Learning] - неплохая небольшая книга по глуибнному обучению, с которой можно начинать изучение.<br /> * [http://www.iro.umontreal.ca/~bengioy/dlbook/ Deep Learning book] - черновая версия книги Yoshua Bengio, Ian Goodfellow and Aaron Courville про глубинное обучение. Большая и подробная. Можно читать в фоновом режиме, медленно и вдумчиво. <br /> * [https://github.com/robertsdionne/neural-network-papers robertsdionne/neural-network-papers] - Хорошая коллекция статей про нейросети. Часть мы уже разбирали на семинарах на ВМК, часть будем разбирать, часть посмотрим на семинарах в ВШЭ.<br /> * [https://colah.github.io/ Colah blog] - блог с хорошим описанием ряда вопросов по нейросетям, например, про backpropagation.<br /> * [http://nuit-blanche.blogspot.de/ Nuit Blance blog] - блог с описанием разных моментов по машинному обучению. Можно следить.<br /> * [http://cs231n.github.io/ Курс Стенфорда по нейросетям] - Много интересных материалов по нейросетям<br /> * [http://ufldl.stanford.edu/wiki/index.php/UFLDL_Tutorial] - Хороший тьюториал Стенфорда<br /> * [https://www.facebook.com/moscowcv?ref=aymt_homepage_panel Facebook Moscow Computer Vision Group] - страница семинара по компьютерному зрению в ШАД с дайджестами интересных ссылок</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:Akonushin&diff=21571 2016-11-03T12:53:18Z

<p>Akonushin: </p> <hr /> <div>= Обо мне =<br /> Меня зовут Конушин Антон. Я доцент департамент больших данных и информационного поиска ФКН НИУ ВШЭ и академический руководитель ОП &quot;Прикладная математика и информатика&quot;. Также я руковожу лабораторией компьютерной графики и мультимедиа ВМК МГУ (http://graphics.cs.msu.ru/ru) и читаю лекции в Школе Анализа Данных Яндекса. Мои основные научные интересы - это компьютерное зрение, машинное обучение и компьютерная графика.<br /> <br /> = Научные интересы =<br /> Основное приложение методов компьютерного зрения, которое мне сейчас интересно, это &quot;разбор видео&quot;, т.е. извлечение всей возможной информации из видеоданных. Главный рассматриваемый сейчас сценарий - это работа с данными видеонаблюдения. На выходе нужно получить всю возможную информацию - выделение всех людей, отслеживание их движения, определение их характеристик (пол, возраст), идентификация людей по лицу / походке / комплекции / одежде, вплоть до построения трёхмерной модели сцены в динамике. <br /> <br /> Главный инструмент компьютерного зрения сейчас - это нейросетевые модели. Нейросети позволяют автоматических вычислять признаки из данных, и их обрабатывать. При этом решение многих задач можно строить в виде одной сложной нейросетевой модели. В этой области идёт бурный прогресс.<br /> <br /> = Структура предлагаемых КР и ВКР =<br /> Все темы КР и ВКР, которые я предлагаю в этом учебном году, связаны с построением, усовершенствованием и применением нейросетевых моделей для задач компьютерного зрения, в первую очередь для анализ видео с людьми. Поэтому общая схема выполнения всех КР и ВКР будет примерно следующая:<br /> <br /> 1) (Рекомендовано) Знакомство с нейросетями. Для этого нужно выполнить 2-3 небольших практических упражнений по нейросетям, на базе одного из фреймворков (Keras). Это позволит освоить ряд основных принципов работы с нейросетями для изображений (размножение данных, задание правильных функций потерь при обучении, использование предобученных моделей и дообучение и т.д.)<br /> 2)Изучение набора базовых статей по теме (ключевые статьи в целом по нейросетям в зрении, набор конкретных по рассматриваемым моделям)<br /> 3) Выбор конкретной модели и её реализации как базового алгоритма. Для многих задач есть готовые реализации. В этом случае нужно освоить реализацию - т.е. научиться обучать модель на своих данных, измерять качество, анализировать такую работу. В некоторых случаях конкретную модель предлагаю я, в других случаях её нужно будет выбрать самостоятельно по результатам проведённого обзора (п.2). Если модели в открытых источниках нет, тогда нужно будет выполнить самостоятельную реализацию этой модели. В зависимости от выбранной модели может потребоваться дополнительно изучить другой фреймворк нейросетей (Caffe, TensorFlow, Torch). <br /> 4) Собственно исследовательская часть, которая включает в себя проверку некоторой гипотезы о развитии этой модели, доработку модели, сбор данных и т.д.<br /> 5) Текст КР. Если есть интересный, пусть небольшой, научный результат, тогда нужно будет написать по тексту диплома статью и подавать её.<br /> <br /> В ходе выполнения курсовой работы на практике можно освоить работу с нейросетевыми моделями, изучать 1-2 фреймворка, научиться применять модели для решения конкретных задач анализа изображений. В зависимости от успехов можно будет успеть провести небольшое законченное исследование. <br /> <br /> = Темы на 2016-2017 учебный год =<br /> == Автоматический выбор метапараметров нейросетевой модели выделения объектов (Automatic selection of metaparameters in object detection model) ==<br /> Нейросетевая модель выделения объектов на изображении имеет ряд параметров, которые задает исследователь. Эти параметры зависят от конкретных типов наблюдаемых объектов, их пропорций, размеров в обучающей выборке и т.д. Например, одним из параметров является число гипотез о месте и форме объектов, в каждом анализируемом фрагменте изображения. Сейчас эти параметры выбираются вручную. Предлагается исследовать подходы в автоматическому выбору этих параметров на примерах задач выделения людей, голов и лиц людей в изображениях.<br /> <br /> == Нейросетевая модель выделения и разбора групп людей (CNN-based model for detection and parsing of people groups)==<br /> Обычный нейросетевой детектор выделяет отдельные объекты. В тех местах, где находятся группы близкостоящих людей, наблюдаются ошибки. Предлагается модифицировать имеющуюся нейросетевую модель таким образом, чтобы отдельно обрабатывать такие случаи.<br /> <br /> == Локализация головы, лица и точек на лице человека нейросетевой модель ( Head, face and facial features localization with cnn-based model) ==<br /> Детектор человека позволяет выделить человека на изображении. Однако для последующего анализа полезно определить, где находится (или где должна находиться) голова человека. Видно ли лицо человека? Если да, то где на лице контрольные точки (глаза, нос, рот, уши) и куда смотрит человек? Необходимо разработать модель, получающую на вход изображение фигуры человека, и определяющую указыванные параметры. <br /> <br /> == Быстрая нейросетевая модель выделения лиц людей на изображении (Fast cnn-based model for face detection) ==<br /> Нейросетевые детекторы лиц людей на изображении работают сейчас очень хорошо, пусть и не идеально. Основное препятствие на пути использования этих методов в устройствах это их вычислительная сложность. Детектор лица работает порядка 200ms на изображение 1980*1080 на видеокарте Nvidia GTX 1070. Однако был предложен целый ряд методов, которые позволяют увеличить производительность нейросетевой модели. Предлагается исследовать применимость этих методов для ускорения детектора лиц. <br /> <br /> == Повторная идентификация человека по изображению фигуры (Person reidentification) ==<br /> Необходимо реализовать нейросетевую модель отображения изображения фигуры человека в вектор-признак, кодирующий внешность человека. Сравнение изображений людей по таким признакам позволяет определить повторное появление человека в видеопотоке. <br /> <br /> == Определение атрибутов человека по изображению фигуры (Attribute classification from person image) ==<br /> Такие атрибуты человека, как пол, возраст, комплекция, можно определить, глядя на фотографию фигуры. Если известна &quot;поза&quot; человека, т.е. положение всех конечностей человека в кадре, то задача решается проще. Предлагается реализовать нейросетевую модель, на вход получающую изображение человека с размеченными частями тела, и определяющую атрибуты человека. <br /> <br /> == Генеративная нейросетевая модель для дорожных знаков (Generative cnn-based model for traffic signs) ==<br /> Существуют нейросетевые модели, которые позволяют генерировать изображение объектов заданного типа с указанными параметрами. Одним из активно развивающихся классов таких моделей являются GAN (Generative Adversarial Networks). Идея метода заключается в одновременном обучении двух сетей. Одна сеть генерирует синтетическое изображение, а вторая сеть учится определять, является ли изображение синтетическим или реальным. В результате получается сеть, которая позволяет генерировать очень реалистичные изображения. Предлагается применить такую модель для генерации изображений дорожных знаков и исследовать, насколько такая модель и изображения позволят улучшить алгоритмы выделения и распознавания дорожных знаков на практике. <br /> <br /> = Материалы =<br /> <br /> * [http://caffe.berkeleyvision.org/ Caffe - deep learning framework] - наиболее активно используемая моими студентами библиотека нейросетей<br /> * [http://u.cs.biu.ac.il/~yogo/nnlp.pdf A Primer on Neural Network Models for Natural Language Processing] хорошее введение в нейросети на примере анализа текстов<br /> * [http://neuralnetworksanddeeplearning.com/ Neural Networks and Deep Learning] - неплохая небольшая книга по глуибнному обучению, с которой можно начинать изучение.<br /> * [http://www.iro.umontreal.ca/~bengioy/dlbook/ Deep Learning book] - черновая версия книги Yoshua Bengio, Ian Goodfellow and Aaron Courville про глубинное обучение. Большая и подробная. Можно читать в фоновом режиме, медленно и вдумчиво. <br /> * [https://github.com/robertsdionne/neural-network-papers robertsdionne/neural-network-papers] - Хорошая коллекция статей про нейросети. Часть мы уже разбирали на семинарах на ВМК, часть будем разбирать, часть посмотрим на семинарах в ВШЭ.<br /> * [https://colah.github.io/ Colah blog] - блог с хорошим описанием ряда вопросов по нейросетям, например, про backpropagation.<br /> * [http://nuit-blanche.blogspot.de/ Nuit Blance blog] - блог с описанием разных моментов по машинному обучению. Можно следить.<br /> * [http://cs231n.github.io/ Курс Стенфорда по нейросетям] - Много интересных материалов по нейросетям<br /> * [http://ufldl.stanford.edu/wiki/index.php/UFLDL_Tutorial] - Хороший тьюториал Стенфорда<br /> * [https://www.facebook.com/moscowcv?ref=aymt_homepage_panel Facebook Moscow Computer Vision Group] - страница семинара по компьютерному зрению в ШАД с дайджестами интересных ссылок</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B5%D0%B1%D0%BD%D0%B0%D1%8F_%D0%BF%D1%80%D0%B0%D0%BA%D1%82%D0%B8%D0%BA%D0%B0_1_%D0%BA%D1%83%D1%80%D1%81_(2016)&diff=19505 2016-05-24T13:41:58Z

<p>Akonushin: /* Общее описание */</p> <hr /> <div>= Общее описание = <br /> Учебная практика после 1 курса рассчитана на 2 недели, и должна проходить в период с 1 июля по 31 августа 2016 года. Существует несколько вариантов прохождения учебной практики:<br /> <br /> * Учебная работа под руководством потенциального научного руководителя (с возможным продолжением в курсовой на 2м курсе)<br /> * Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы<br /> * Преподавание в летней школе для школьников<br /> * Участие в летней школе <br /> * Сервисные проекты в учебном офисе и приёмной комиссии<br /> * Стажировка в компании<br /> <br /> Подробнее про каждый вид практики указано ниже. Таблица с предлагаемыми темами практики доступна тут - [https://docs.google.com/spreadsheets/d/1CRg_KNFcwt49YMwh6eBC3-pPzzMoayJPrFgh981p-Z4/pubhtml &quot;таблица с темами практики&quot;].<br /> <br /> == Учебная работа под руководством потенциального научного руководителя ==<br /> Первый вариант прохождения практики - это учебная или учебно-исследовательская работа под руководством будущего научного руководителя. В большинстве случаев первым этапом выполнения курсовой работы является знакомство с областью исследований, основными понятиями и методами. Учебная летняя практика позволяет начать эту работу летом и оценить, насколько вам интересна та или иная область. Если область интересна, в учебном году можно будет быстрее перейти к непосредственно исследовательской работе. Если неинтересна, то вы можете осенью выбрать другую тему работы.<br /> <br /> Если вам нравится какая-то тема, то вы связываетесь с руководителем и заручаетесь его согласием быть руководителем вашей учебной практики, после чего заполняете анкету.<br /> <br /> == Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы ==<br /> Программный проект отличается от учебной работы тем, что главным результатом практики является программа. Руководителем проекта может быть как один из менторов весенней проектной работы, так и другой человек, например, преподаватель семинара по программированию. Вы можете подобрать задание на практику из числа указанных в общем списке, или связаться с ментором/семинаристом и договориться с ним об инициативной теме. <br /> <br /> == Преподавание в летней школе для школьников ==<br /> Если вы летом принимаете участие в летней школе для школьников, где преподаёте им математику или информатику, то это замечательно! Вы можете зачесть такое участие как учебную практику. Для этого вам потребуется сообщить, на какую школу и когда вы едете, указать контактное лицо и заручиться тем, чтобы организаторы подписали подробный отзыв о вашей работе.<br /> <br /> == Участие в летней школе == <br /> Участие в летней школе по математике или информатике может засчитываться за учебную практику, в следующих случаях:<br /> * Летняя школа идет не менее 2х недель<br /> * Летняя школа идет менее 2х недель, но на ней вы выступаете с докладом<br /> Выбор школы/конференции нужно согласовать с академическим руководителем ПМИ. Формальным руководителем практики в этом случае будет академический руководитель. Формальным заданием должно быть прохождение обучения / участие в летней школе такой-то. По итогам школы нужно будет написать и представить отчёт о рассмотренных на школе темах или приложить конспект собственного доклада.<br /> <br /> == Сервисные проекты ==<br /> Большую помощь можно оказать факультету приняв участие в сервисном проекте - приёмной комиссии, приёмной кампании на Мясницкой (общаясь с абитуриентами и убеждая их подать документы на наш факультет), и т.д.<br /> <br /> == Стажировка ==<br /> Можно выбрать и &quot;внешний&quot; вариант практики - стажировку или работу в компании. Этот вид практики рассматривается и одобряется индивидуально академическим руководителем. Для рассмотрения вашей заявки нужно указать организацию, время прохождения практики, руководителя практики от организации, содержание практики. Практика в компании должна быть строго по направлению факультета.<br /> <br /> = Алгоритм согласования и прохождения практики =<br /> * Изучаете и выбираете вариант практики<br /> * Связываетесь с руководителем выбранного варианта практики и получаете от него согласие быть вашим руководителем<br /> * Если вы выбираете преподавание в летней школе, участие в летней школе или практику в компании, то согласовываете её с академическим руководителем ПМИ<br /> * Заполняете [http://goo.gl/forms/zlMnmKZqhg онлайн-анкету] с заявкой на практику<br /> * Дожидаетесь статуса &quot;Одобрено&quot; в таблице, <br /> * К 15 июня 2016 г. подаёте бумажный вариант задания на практику в учебный офис. <br /> * В июле-августе проходите практику<br /> * Готовите отчёт о практике, который представляете руководителю практики<br /> * Получаете от него бумажный экземпляр отзыва с подписью (и печатью, если руководитель практики внешний)<br /> * До 7 сентября 2015 г. нужно сдать Отчёт по практике и Отзыв руководителя практики в учебный офис<br /> <br /> Шаблоны документов можно взять на сайте http://www.hse.ru/ba/ami/practiceami<br /> <br /> '''Важно!''' В конце августа - начале сентября получить отзыв руководителя практики с его подписью может быть сложно, и высок риск получить &quot;Неуд&quot; за практику просто из-за отсутствия формального подтверждения. Поэтому постарайтесь получить отзыв заранее.</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B5%D0%B1%D0%BD%D0%B0%D1%8F_%D0%BF%D1%80%D0%B0%D0%BA%D1%82%D0%B8%D0%BA%D0%B0_1_%D0%BA%D1%83%D1%80%D1%81_(2016)&diff=19467 2016-05-18T07:02:02Z

<p>Akonushin: /* Участие в летней школе */</p> <hr /> <div>= Общее описание = <br /> Учебная практика после 1 курса рассчитана на 2 недели, и должна проходить в период с 1 июля по 31 августа 2016 года. Существует несколько вариантов прохождения учебной практики:<br /> <br /> * Учебная работа под руководством потенциального научного руководителя (с возможным продолжением в курсовой на 2м курсе)<br /> * Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы<br /> * Преподавание в летней школе для школьников<br /> * Участие в летней школе <br /> * Сервисные проекты в учебном офисе и приёмной комиссии<br /> * Стажировка в компании<br /> <br /> Подробнее про каждый вид практики указано ниже. Таблица с предлагаемыми темами практики доступна тут '''(ToDo)'''.<br /> <br /> == Учебная работа под руководством потенциального научного руководителя ==<br /> Первый вариант прохождения практики - это учебная или учебно-исследовательская работа под руководством будущего научного руководителя. В большинстве случаев первым этапом выполнения курсовой работы является знакомство с областью исследований, основными понятиями и методами. Учебная летняя практика позволяет начать эту работу летом и оценить, насколько вам интересна та или иная область. Если область интересна, в учебном году можно будет быстрее перейти к непосредственно исследовательской работе. Если неинтересна, то вы можете осенью выбрать другую тему работы.<br /> <br /> Если вам нравится какая-то тема, то вы связываетесь с руководителем и заручаетесь его согласием быть руководителем вашей учебной практики, после чего заполняете анкету.<br /> <br /> == Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы ==<br /> Программный проект отличается от учебной работы тем, что главным результатом практики является программа. Руководителем проекта может быть как один из менторов весенней проектной работы, так и другой человек, например, преподаватель семинара по программированию. Вы можете подобрать задание на практику из числа указанных в общем списке, или связаться с ментором/семинаристом и договориться с ним об инициативной теме. <br /> <br /> == Преподавание в летней школе для школьников ==<br /> Если вы летом принимаете участие в летней школе для школьников, где преподаёте им математику или информатику, то это замечательно! Вы можете зачесть такое участие как учебную практику. Для этого вам потребуется сообщить, на какую школу и когда вы едете, указать контактное лицо и заручиться тем, чтобы организаторы подписали подробный отзыв о вашей работе.<br /> <br /> == Участие в летней школе == <br /> Участие в летней школе по математике или информатике может засчитываться за учебную практику, в следующих случаях:<br /> * Летняя школа идет не менее 2х недель<br /> * Летняя школа идет менее 2х недель, но на ней вы выступаете с докладом<br /> Выбор школы/конференции нужно согласовать с академическим руководителем ПМИ. Формальным руководителем практики в этом случае будет академический руководитель. Формальным заданием должно быть прохождение обучения / участие в летней школе такой-то. По итогам школы нужно будет написать и представить отчёт о рассмотренных на школе темах или приложить конспект собственного доклада.<br /> <br /> == Сервисные проекты ==<br /> Большую помощь можно оказать факультету приняв участие в сервисном проекте - приёмной комиссии, приёмной кампании на Мясницкой (общаясь с абитуриентами и убеждая их подать документы на наш факультет), и т.д.<br /> <br /> == Стажировка ==<br /> Можно выбрать и &quot;внешний&quot; вариант практики - стажировку или работу в компании. Этот вид практики рассматривается и одобряется индивидуально академическим руководителем. Для рассмотрения вашей заявки нужно указать организацию, время прохождения практики, руководителя практики от организации, содержание практики. Практика в компании должна быть строго по направлению факультета.<br /> <br /> <br /> = Алгоритм согласования и прохождения практики =<br /> * Изучаете и выбираете вариант практики<br /> * Связываетесь с руководителем выбранного варианта практики и получаете от него согласие быть вашим руководителем<br /> * Если вы выбираете преподавание в летней школе, участие в летней школе или практику в компании, то согласовываете её с академическим руководителем ПМИ<br /> * Заполняете [http://goo.gl/forms/zlMnmKZqhg онлайн-анкету] с заявкой на практику<br /> * Дожидаетесь статуса &quot;Одобрено&quot; в таблице, <br /> * К 15 июня 2016 г. подаёте бумажный вариант задания на практику в учебный офис. <br /> * В июле-августе проходите практику<br /> * Готовите отчёт о практике, который представляете руководителю практики<br /> * Получаете от него бумажный экземпляр отзыва с подписью (и печатью, если руководитель практики внешний)<br /> * До 7 сентября 2015 г. нужно сдать Отчёт по практике и Отзыв руководителя практики в учебный офис<br /> <br /> Шаблоны документов можно взять на сайте http://www.hse.ru/ba/ami/practiceami<br /> <br /> '''Важно!''' В конце августа - начале сентября получить отзыв руководителя практики с его подписью может быть сложно, и высок риск получить &quot;Неуд&quot; за практику просто из-за отсутствия формального подтверждения. Поэтому постарайтесь получить отзыв заранее.</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%9E_%D1%84%D0%B0%D0%BA%D1%83%D0%BB%D1%8C%D1%82%D0%B5%D1%82%D0%B5&diff=19185 2016-04-08T12:34:51Z

<p>Akonushin: </p> <hr /> <div>__NOTOC__ <br /> <br /> == Учебные курсы факультета компьютерных наук==<br /> {|width=100%<br /> |style=&quot;vertical-align:top;&quot;|<br /> <br /> &lt;!-- Первая колонка --&gt;<br /> === Курсы за 2015/16 учебный год ===<br /> {|<br /> |-<br /> | [[Технологии программирования|Технологии программирования на ПМИ]]<br /> |-<br /> |[[ОиМП-2015|Основы и методология программирования на ПМИ]]<br /> |-<br /> |[[Алгоритмы и структуры данных]]<br /> |-<br /> |[[Линейная алгебра и геометрия_2015/2016 | Линейная алгебра и геометрия на ПМИ]]<br /> |-<br /> |[[Алгебра_2015/2016 | Алгебра на ПМИ]]<br /> |-<br /> |[http://hsealgebra.wikidot.com/ Алгебра на ПИ]<br /> |-<br /> |[[Компьютерные системы]]<br /> |-<br /> |[[Математический анализ на ПМИ]]<br /> |-<br /> |[[Факультатив_Матпрактикум | Матпрактикум (факультатив) на ПМИ]]<br /> |-<br /> |[[Data analysis (Software Engineering)]]&lt;br /&gt;<br /> |-<br /> |[[Майнор Интеллектуальный анализ данных/Введение в программирование|Введение в программирование (курс майнора) на ПМИ]]<br /> |-<br /> |[[Майнор Интеллектуальный анализ данных/Введение в анализ данных|Введение в анализ данных (курс майнора) на ПМИ]]<br /> |-<br /> |[[НИС Машинное обучение и приложения|НИС Машинное обучение и приложения на ПМИ]]<br /> |-<br /> |[[Архитектура компьютеров и системное программирование (ПМИ_4, 2015/2016)|Архитектура компьютеров и системное программирование (4 курс)]]<br /> |-<br /> |[[Дифференциальные уравнения (2 курс, 2015/2016)| Дифференциальные уравнения]]<br /> |-<br /> |[[Введение в VBA|Введение в VBA]]<br /> |}<br /> <br /> |style=&quot;vertical-align:top;&quot;|<br /> <br /> &lt;!-- Вторая колонка --&gt;<br /> <br /> === Курсы за 2014/15 учебный год ===<br /> {|<br /> |-<br /> |[[Основы и методологии программирования]]&lt;br /&gt;<br /> |-<br /> |[[Алгоритмы и структуры данных 2015 | Алгоритмы и структуры данных]]&lt;br /&gt;<br /> |-<br /> |[[Анализ данных (Программная инженерия)]]&lt;br /&gt;<br /> |-<br /> |[[Алгебра_2014/2015 | Алгебра]]&lt;br /&gt;<br /> |-<br /> |[[Magolego_sna_2015| MAGoLEGO Social Network Analysis]]<br /> |}<br /> <br /> ==== Проектная работа ====<br /> {|<br /> |-<br /> |[[Проектная работа]] &lt;br /&gt;<br /> |-<br /> |[[Учебная практика 1 курс (2016)]]<br /> |-<br /> |[[Проектная работа 2 курс (2016)]]<br /> |}<br /> <br /> &lt;!-- Завершение двухколоночной таблицы --&gt;<br /> |}<br /> <br /> == Мероприятия факультета компьютерных наук ==<br /> === Summer School 2015 ===<br /> [[Introduction to Natural Language Processing|Introduction to Natural Language Processing]]<br /> #[[Lecture 1. Introduction|Introduction]]<br /> #[[Lecture 2. Tokenization and word counts|Tokenization and word counts]]<br /> #[[Lecture 3. POS tagging. Key word and phrase extraction|POS tagging. Key word and phrase extraction]]<br /> #[[Lecture 4. Parsing|Parsing]]<br /> #[[Lecture 5. Language sources|Language sources]]<br /> #[[Lecture 6. Synonyms and near-synonyms detection|Synonyms and near-synonyms detection]]<br /> #[[Lecture 8. Suffix trees for NLP|Suffix trees for NLP]]<br /> #[[NLP References|References]]<br /> <br /> == Архив ==<br /> * [[Учебная практика 1 курс (2015)]]</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B5%D0%B1%D0%BD%D0%B0%D1%8F_%D0%BF%D1%80%D0%B0%D0%BA%D1%82%D0%B8%D0%BA%D0%B0_1_%D0%BA%D1%83%D1%80%D1%81_(2016)&diff=19184 2016-04-08T12:20:44Z

<p>Akonushin: </p> <hr /> <div>= Общее описание = <br /> Учебная практика после 1 курса рассчитана на 2 недели, и должна проходить в период с 1 июля по 31 августа 2016 года. Существует несколько вариантов прохождения учебной практики:<br /> <br /> * Учебная работа под руководством потенциального научного руководителя (с возможным продолжением в курсовой на 2м курсе)<br /> * Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы<br /> * Преподавание в летней школе для школьников<br /> * Участие в летней школе <br /> * Сервисные проекты в учебном офисе и приёмной комиссии<br /> * Стажировка в компании<br /> <br /> Подробнее про каждый вид практики указано ниже. Таблица с предлагаемыми темами практики доступна тут '''(ToDo)'''.<br /> <br /> == Учебная работа под руководством потенциального научного руководителя ==<br /> Первый вариант прохождения практики - это учебная или учебно-исследовательская работа под руководством будущего научного руководителя. В большинстве случаев первым этапом выполнения курсовой работы является знакомство с областью исследований, основными понятиями и методами. Учебная летняя практика позволяет начать эту работу летом и оценить, насколько вам интересна та или иная область. Если область интересна, в учебном году можно будет быстрее перейти к непосредственно исследовательской работе. Если неинтересна, то вы можете осенью выбрать другую тему работы.<br /> <br /> Если вам нравится какая-то тема, то вы связываетесь с руководителем и заручаетесь его согласием быть руководителем вашей учебной практики, после чего заполняете анкету.<br /> <br /> == Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы ==<br /> Программный проект отличается от учебной работы тем, что главным результатом практики является программа. Руководителем проекта может быть как один из менторов весенней проектной работы, так и другой человек, например, преподаватель семинара по программированию. Вы можете подобрать задание на практику из числа указанных в общем списке, или связаться с ментором/семинаристом и договориться с ним об инициативной теме. <br /> <br /> == Преподавание в летней школе для школьников ==<br /> Если вы летом принимаете участие в летней школе для школьников, где преподаёте им математику или информатику, то это замечательно! Вы можете зачесть такое участие как учебную практику. Для этого вам потребуется сообщить, на какую школу и когда вы едете, указать контактное лицо и заручиться тем, чтобы организаторы подписали подробный отзыв о вашей работе.<br /> <br /> == Участие в летней школе == <br /> Участие в летней школе по математике или информатике может засчитываться за учебную практику, в следующих случаях:<br /> * Летняя школа идет не менее 2х недель<br /> * Летняя школа идет менее 2х недель, но на ней вы выступаете с докладом<br /> Выбор школы/конференции нужно согласовать с академическим руководителем ПМИ. По итогам школы нужно будет написать и представить отчёт о рассмотренных на школе темах или приложить конспект собственного доклада.<br /> <br /> == Сервисные проекты ==<br /> Большую помощь можно оказать факультету приняв участие в сервисном проекте - приёмной комиссии, приёмной кампании на Мясницкой (общаясь с абитуриентами и убеждая их подать документы на наш факультет), и т.д.<br /> <br /> == Стажировка ==<br /> Можно выбрать и &quot;внешний&quot; вариант практики - стажировку или работу в компании. Этот вид практики рассматривается и одобряется индивидуально академическим руководителем. Для рассмотрения вашей заявки нужно указать организацию, время прохождения практики, руководителя практики от организации, содержание практики. Практика в компании должна быть строго по направлению факультета.<br /> <br /> <br /> = Алгоритм согласования и прохождения практики =<br /> * Изучаете и выбираете вариант практики<br /> * Связываетесь с руководителем выбранного варианта практики и получаете от него согласие быть вашим руководителем<br /> * Если вы выбираете преподавание в летней школе, участие в летней школе или практику в компании, то согласовываете её с академическим руководителем ПМИ<br /> * Заполняете [http://goo.gl/forms/zlMnmKZqhg онлайн-анкету] с заявкой на практику<br /> * Дожидаетесь статуса &quot;Одобрено&quot; в таблице, <br /> * К 15 июня 2016 г. подаёте бумажный вариант задания на практику в учебный офис. <br /> * В июле-августе проходите практику<br /> * Готовите отчёт о практике, который представляете руководителю практики<br /> * Получаете от него бумажный экземпляр отзыва с подписью (и печатью, если руководитель практики внешний)<br /> * До 7 сентября 2015 г. нужно сдать Отчёт по практике и Отзыв руководителя практики в учебный офис<br /> <br /> Шаблоны документов можно взять на сайте http://www.hse.ru/ba/ami/practiceami<br /> <br /> '''Важно!''' В конце августа - начале сентября получить отзыв руководителя практики с его подписью может быть сложно, и высок риск получить &quot;Неуд&quot; за практику просто из-за отсутствия формального подтверждения. Поэтому постарайтесь получить отзыв заранее.</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B5%D0%B1%D0%BD%D0%B0%D1%8F_%D0%BF%D1%80%D0%B0%D0%BA%D1%82%D0%B8%D0%BA%D0%B0_1_%D0%BA%D1%83%D1%80%D1%81_(2016)&diff=19183 2016-04-08T11:47:22Z

<p>Akonushin: создание черновика страницы</p> <hr /> <div>= Общее описание = <br /> Учебная практика после 1 курса рассчитана на 2 недели, и должна проходить в период с 1 июля по 31 августа 2016 года. <br /> <br /> <br /> = Возможные варианты учебной практики = <br /> <br /> * Учебная работа под руководством потенциального научного руководителя (с возможным продолжением в курсовой на 2м курсе)<br /> * Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы<br /> * Преподавание в летней школе для школьников<br /> * Участие в летней школе <br /> * Сервисные проекты в учебном офисе и приёмной комиссии<br /> * Стажировка в компании<br /> <br /> == Учебная работа под руководством потенциального научного руководителя ==<br /> <br /> Первый вариант прохождения практики - это учебная или учебно-исследовательская работа под руководством будущего научного руководителя. В большинстве случаев первым этапом выполнения курсовой работы является знакомство с областью исследований, основными понятиями и методами. Учебная летняя практика позволяет начать эту работу летом и оценить, насколько вам интересна та или иная область. Если область интересна, в учебном году можно будет быстрее перейти к непосредственно исследовательской работе. Если неинтересна, то вы можете осенью выбрать другую тему работы.<br /> <br /> [https://docs.google.com/spreadsheets/d/19mA6vFNo73vFLE_qqkRlgIji7AYSoZHpxq7xWpjiShg/pubhtml?gid=0&amp;single=true Текущий список предлагаемых тем]опубликован и будет пополняться.<br /> <br /> Если вам нравится какая-то тема, то вы связываетесь с руководителем и заручаетесь его согласием быть руководителем вашей учебной практики, после чего заполняете анкету.<br /> <br /> == Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы ==<br /> Второй вариант - программный проект. Если вы хотите продолжить свой программный проект или взять новый проект, то вы смотрите [http://wiki.cs.hse.ru/%D0%9F%D1%80%D0%BE%D0%B5%D0%BA%D1%82%D0%BD%D0%B0%D1%8F_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%B0 список руководителей], выбираете интересующего вас, и договариваетесь с ним о теме. Руководителем проекта может быть как один из менторов весенней проектной работы, так и другой человек, например, преподаватель семинара по программированию.<br /> <br /> == Преподавание в летней школе для школьников ==<br /> Если вы летом принимаете участие в летней школе для школьников, где преподаёте им математику или информатику, то это замечательно! Вы можете зачесть такое участие как учебную практику. Для этого вам потребуется сообщить, на какую школу и когда вы едете, указать контактное лицо и заручиться тем, чтобы организаторы подписали подробный отзыв о вашей работе.<br /> <br /> == Участие в летней школе == <br /> Участие в летней школе по математике или информатике может засчитываться за учебную практику. Выбор школы/конференции нужно согласовать с академическим руководителем программы. По итогам школы нужно будет написать и представить подробный отчёт о рассмотренных на школе темах (~8 страниц).<br /> <br /> == Сервисные проекты в учебном офисе и приёмной комиссии ==<br /> Большую помощь можно оказать факультету приняв участие в сервисном проекте - приёмной комиссия, приняв участие в приёмной кампании на Мясницкой (общаясь с абитуриентами и убеждая их подать документы на наш факультет. Руководителями сервисных проектов выступают Татьяна Пак и Маргарита Власенко.<br /> <br /> == Практику в компании ==<br /> Можно выбрать и &quot;внешний&quot; вариант практики - практику в компании. Этот вид практики рассматривается и одобряется индивидуально академическим руководителем. Для рассмотрения вашей заявки нужно указать организацию, время прохождения практики, руководителя практики от организации, содержание практики. Практика в компании должна быть строго по направлению факультета.<br /> <br /> = Алгоритм согласования и прохождения практики =<br /> * Изучаете и выбираете вариант практики<br /> * Согласовываете свою практику с руководителем практики<br /> * В случае желания выбрать участие в летней школе или практику в компании согласовываете её с академическим руководителем<br /> * Заполняете [https://docs.google.com/forms/d/1wSnPDXIxOWFqccNnrVgj6jB1pmEE4jRWSC0ld1dTpEc/viewform?usp=send_form онлайн-анкету] о практике <br /> * К 15 июня 2015 г. подаёте задание на практику в учебный офис. <br /> * В июле-августе проходите практику<br /> * До 7 сентября 2015 г. нужно сдать Отчёт по практике и Отзыв руководителя практики<br /> <br /> Шаблоны документов можно взять на сайте http://www.hse.ru/ba/ami/practiceami</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%9E_%D1%84%D0%B0%D0%BA%D1%83%D0%BB%D1%8C%D1%82%D0%B5%D1%82%D0%B5&diff=19182 2016-04-08T11:45:48Z

<p>Akonushin: /* Проектная работа */</p> <hr /> <div>__NOTOC__ <br /> <br /> == Учебные курсы факультета компьютерных наук==<br /> {|width=100%<br /> |style=&quot;vertical-align:top;&quot;|<br /> <br /> &lt;!-- Первая колонка --&gt;<br /> === Курсы за 2015/16 учебный год ===<br /> {|<br /> |-<br /> | [[Технологии программирования|Технологии программирования на ПМИ]]<br /> |-<br /> |[[ОиМП-2015|Основы и методология программирования на ПМИ]]<br /> |-<br /> |[[Алгоритмы и структуры данных]]<br /> |-<br /> |[[Линейная алгебра и геометрия_2015/2016 | Линейная алгебра и геометрия на ПМИ]]<br /> |-<br /> |[[Алгебра_2015/2016 | Алгебра на ПМИ]]<br /> |-<br /> |[http://hsealgebra.wikidot.com/ Алгебра на ПИ]<br /> |-<br /> |[[Компьютерные системы]]<br /> |-<br /> |[[Математический анализ на ПМИ]]<br /> |-<br /> |[[Факультатив_Матпрактикум | Матпрактикум (факультатив) на ПМИ]]<br /> |-<br /> |[[Data analysis (Software Engineering)]]&lt;br /&gt;<br /> |-<br /> |[[Майнор Интеллектуальный анализ данных/Введение в программирование|Введение в программирование (курс майнора) на ПМИ]]<br /> |-<br /> |[[Майнор Интеллектуальный анализ данных/Введение в анализ данных|Введение в анализ данных (курс майнора) на ПМИ]]<br /> |-<br /> |[[НИС Машинное обучение и приложения|НИС Машинное обучение и приложения на ПМИ]]<br /> |-<br /> |[[Архитектура компьютеров и системное программирование (ПМИ_4, 2015/2016)|Архитектура компьютеров и системное программирование (4 курс)]]<br /> |-<br /> |[[Дифференциальные уравнения (2 курс, 2015/2016)| Дифференциальные уравнения]]<br /> |-<br /> |[[Введение в VBA|Введение в VBA]]<br /> |}<br /> <br /> |style=&quot;vertical-align:top;&quot;|<br /> <br /> &lt;!-- Вторая колонка --&gt;<br /> <br /> === Курсы за 2014/15 учебный год ===<br /> {|<br /> |-<br /> |[[Основы и методологии программирования]]&lt;br /&gt;<br /> |-<br /> |[[Алгоритмы и структуры данных 2015 | Алгоритмы и структуры данных]]&lt;br /&gt;<br /> |-<br /> |[[Анализ данных (Программная инженерия)]]&lt;br /&gt;<br /> |-<br /> |[[Алгебра_2014/2015 | Алгебра]]&lt;br /&gt;<br /> |-<br /> |[[Magolego_sna_2015| MAGoLEGO Social Network Analysis]]<br /> |}<br /> <br /> ==== Проектная работа ====<br /> {|<br /> |-<br /> |[[Проектная работа]] &lt;br /&gt;<br /> |-<br /> |[[Учебная практика 1 курс (2016)]]<br /> |-<br /> |[[Учебная практика 1 курс (2015)]]<br /> |-<br /> |[[Проектная работа 2 курс (2016)]]<br /> |}<br /> <br /> &lt;!-- Завершение двухколоночной таблицы --&gt;<br /> |}<br /> <br /> == Мероприятия факультета компьютерных наук ==<br /> === Summer School 2015 ===<br /> [[Introduction to Natural Language Processing|Introduction to Natural Language Processing]]<br /> #[[Lecture 1. Introduction|Introduction]]<br /> #[[Lecture 2. Tokenization and word counts|Tokenization and word counts]]<br /> #[[Lecture 3. POS tagging. Key word and phrase extraction|POS tagging. Key word and phrase extraction]]<br /> #[[Lecture 4. Parsing|Parsing]]<br /> #[[Lecture 5. Language sources|Language sources]]<br /> #[[Lecture 6. Synonyms and near-synonyms detection|Synonyms and near-synonyms detection]]<br /> #[[Lecture 8. Suffix trees for NLP|Suffix trees for NLP]]<br /> #[[NLP References|References]]</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:Akonushin&diff=17767 2015-11-25T17:27:34Z

<p>Akonushin: /* Материалы */</p> <hr /> <div>= Обо мне =<br /> Меня зовут Конушин Антон. Я доцент департамент больших данных и информационного поиска ФКН НИУ ВШЭ и академический руководитель ОП &quot;Прикладная математика и информатика&quot;. Также я руковожу лабораторией компьютерной графики и мультимедиа ВМК МГУ (http://graphics.cs.msu.ru/ru) и читаю лекции в Школе Анализа Данных Яндекса. Мои основные научные интересы - это компьютерное зрение, машинное обучение и компьютерная графика.<br /> <br /> = Научные интересы и предлагаемые темы работ =<br /> <br /> Основное приложение методов компьютерного зрения, которое мне сейчас интересно, это &quot;разбор видео&quot;, т.е. извлечение всей возможной информации из видеоданных. Главный рассматриваемый сейчас сценарий - это работа с данными видеонаблюдения. На выходе нужно получить список наблюдаемых людей и объектов, траектории их движения в кадре, их характеристики, и даже трёхмерную модель каждого объекта. Решение такой задачи требует решения множества подзадач - выделение интересующих объектов в кадре и их частей, сопровождение объектов (т.е. построение траекторий), идентификация, распознавание атрибутов, оценка 3х мерной формы и т.д.. Используемые методы можно разделить на три группы - построение признакового описания, классификация, и оценка параметров моделей. Сейчас задачи извлечения признаков из изображений и классификации решаются совместно с использованием нейросетей, за счёт которых наблюдается бурный прогресс компьютерного зрения в последние несколько лет. Задача оценки параметров моделей с использованием имеющихся параметрических моделей, как мне кажется, временно отошла на второй план, но остаётся наиболее перспективным подходом для решения некоторых задач, в которых, например, данных никогда не будет достаточно для явного обучения нейросетей из-за слишком высокой размерности множества выходных параметров. <br /> <br /> Задачи, которые я предлагаю в качестве тем курсовых и ВКР, можно условно разделить на 3 группы:<br /> * Изучение и развитие отдельных методов для нейросетей (например, исследование пакетной нормализации при обучении нейросетей)<br /> * Создание и совершенствование методов решения отдельных подзадач (например, детектор объектов)<br /> * Развитие генеративных методов (например, Разбор двухмерных сцен с помощью порождающих моделей)<br /> <br /> Большинство задач подходят одновременно и как курсовая для разных курсов, и как выпускная работа. Различие будет в масштабе проработки задачи. Например, в одном случае будет достаточно разобраться с библиотекой, воспроизвести алгоритм из статьи и провести его экспериментальную оценку. В другом случае, нужно будет его усовершенствовать. <br /> <br /> При работе с нейросетями в качестве основного инструмента я предлагаю использовать библиотеку Caffe, одну из самых популярных для нейросетей. Писать с нуля реализацию нейросетей не вижу большого смысла. С другой стороны, для порождающих моделей, опирающихся на разные методы оптимизации, в основном на метод Монте-Карло в Марковских цепях, на данный момент нет столь же качественных библиотек. Поэтому придется реализовывать некоторые базовые процедуры или переписывать их, опираясь на реализации в других языках и пакетах. Так, например, порождающие модели (как часть интересной области &quot;вероятностного программирования&quot;) активно исследуются в MIT, реализованы на внутреннем языке Julia, и хакерскими костылями стыкуются с библиотеками на других языках, что делает их непригодными для широкого использования. Поэтому в этой области есть возможность внести свой вклад в создание чего-то более востребованного, в т.ч. и получая консультации от авторов методов. <br /> <br /> Ещё один аспект. Ряд предложенных тем попадают в тематику гранта РФФИ &quot;Развитие новых методов глубинного обучения в задачах обучения по большим объемам данных&quot; (руководитель Дмитрий Петрович Ветров), участником которого являюсь я и мой аспирант. Выбрав соответствующую тему и хорошо себя проявив вы получаете возможность войти в исследовательский коллектив этого проекта.<br /> <br /> = Список тем (2015-2016 учебный год) = <br /> ==== Исследование нейросетевых архитектур на базе CIFAR (Evaluation of neural architectures on CIFAR) 2-3 ====<br /> ==== Исследование методов обучения нейросетевых архитектур (Evaluation of CNN training methods) 2-4 ====<br /> ==== Исследование процедуры пакетной нормализации при обучении нейросетей (Evaluation of batch normalization for CNN) 2-4 ====<br /> ==== Исследование параметров обучения нейросетевых каскадов (Evaluation of training parameters for neural cascade) 2-3 ====<br /> ==== Дистилляция нейросетей (Distilling neural networks) 2-4 ====<br /> ==== Определение марки и цвета автомобиля с помощью нейросетей ( Car type and color estimation with neural networks) 2-4 ====<br /> ==== Определение цвета одежды человека (Clothing color estimation) 2-4 ====<br /> ==== Нейросетевой детектор объектов (CNN-based object detector) 2-4 ====<br /> ==== Сегментация изображений на основе нейросетей (Image segmentation with CNN) 2-4 ====<br /> ==== Исследование рекуррентных нейросетей для описания изображений (Evaluation of RNN for image description) 2-4 ====<br /> ==== Исследование порождающих нейросетей для генерации изображений (Image synthesis with generative neural networks) 2-4 ====<br /> ==== Поиск изображений по содержанию (Content-based image retrieval) 3-4 ====<br /> ==== Аннотация персонажей в видео (Person annotation in video) 2-4 ====<br /> ==== Определение наличия голоса в аудиодорожке (Voice detection in audio stream) 2-4 ====<br /> ==== Распознавание персонажей по голосу в видеофильмах (Voice-based person recognition in movies) 2-4 ====<br /> ==== Разбор двухмерных сцен с помощью порождающих моделей (2D scene parsing with generative models) 2-3 ====<br /> ==== Разбор трёхмерных сцен с помощью порождающих моделей (3D scene parsing with generative models) 2-4 ====<br /> ==== Подсчёт и сопровождение людей с камеры Kinect (People counting and tracking with Kinect) 4 ====<br /> <br /> = Материалы =<br /> <br /> * [http://caffe.berkeleyvision.org/ Caffe - deep learning framework] - наиболее активно используемая моими студентами библиотека нейросетей<br /> * [http://u.cs.biu.ac.il/~yogo/nnlp.pdf A Primer on Neural Network Models for Natural Language Processing] хорошее введение в нейросети на примере анализа текстов<br /> * [http://neuralnetworksanddeeplearning.com/ Neural Networks and Deep Learning] - неплохая небольшая книга по глуибнному обучению, с которой можно начинать изучение.<br /> * [http://www.iro.umontreal.ca/~bengioy/dlbook/ Deep Learning book] - черновая версия книги Yoshua Bengio, Ian Goodfellow and Aaron Courville про глубинное обучение. Большая и подробная. Можно читать в фоновом режиме, медленно и вдумчиво. <br /> * [https://github.com/robertsdionne/neural-network-papers robertsdionne/neural-network-papers] - Хорошая коллекция статей про нейросети. Часть мы уже разбирали на семинарах на ВМК, часть будем разбирать, часть посмотрим на семинарах в ВШЭ.<br /> * [https://colah.github.io/ Colah blog] - блог с хорошим описанием ряда вопросов по нейросетям, например, про backpropagation.<br /> * [http://nuit-blanche.blogspot.de/ Nuit Blance blog] - блог с описанием разных моментов по машинному обучению. Можно следить.<br /> * [http://cs231n.github.io/ Курс Стенфорда по нейросетям] - Много интересных материалов по нейросетям<br /> * [http://ufldl.stanford.edu/wiki/index.php/UFLDL_Tutorial] - Хороший тьюториал Стенфорда<br /> * [https://www.facebook.com/moscowcv?ref=aymt_homepage_panel Facebook Moscow Computer Vision Group] - страница семинара по компьютерному зрению в ШАД с дайджестами интересных ссылок</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:Akonushin&diff=17766 2015-11-25T17:26:20Z

<p>Akonushin: /* Материалы */</p> <hr /> <div>= Обо мне =<br /> Меня зовут Конушин Антон. Я доцент департамент больших данных и информационного поиска ФКН НИУ ВШЭ и академический руководитель ОП &quot;Прикладная математика и информатика&quot;. Также я руковожу лабораторией компьютерной графики и мультимедиа ВМК МГУ (http://graphics.cs.msu.ru/ru) и читаю лекции в Школе Анализа Данных Яндекса. Мои основные научные интересы - это компьютерное зрение, машинное обучение и компьютерная графика.<br /> <br /> = Научные интересы и предлагаемые темы работ =<br /> <br /> Основное приложение методов компьютерного зрения, которое мне сейчас интересно, это &quot;разбор видео&quot;, т.е. извлечение всей возможной информации из видеоданных. Главный рассматриваемый сейчас сценарий - это работа с данными видеонаблюдения. На выходе нужно получить список наблюдаемых людей и объектов, траектории их движения в кадре, их характеристики, и даже трёхмерную модель каждого объекта. Решение такой задачи требует решения множества подзадач - выделение интересующих объектов в кадре и их частей, сопровождение объектов (т.е. построение траекторий), идентификация, распознавание атрибутов, оценка 3х мерной формы и т.д.. Используемые методы можно разделить на три группы - построение признакового описания, классификация, и оценка параметров моделей. Сейчас задачи извлечения признаков из изображений и классификации решаются совместно с использованием нейросетей, за счёт которых наблюдается бурный прогресс компьютерного зрения в последние несколько лет. Задача оценки параметров моделей с использованием имеющихся параметрических моделей, как мне кажется, временно отошла на второй план, но остаётся наиболее перспективным подходом для решения некоторых задач, в которых, например, данных никогда не будет достаточно для явного обучения нейросетей из-за слишком высокой размерности множества выходных параметров. <br /> <br /> Задачи, которые я предлагаю в качестве тем курсовых и ВКР, можно условно разделить на 3 группы:<br /> * Изучение и развитие отдельных методов для нейросетей (например, исследование пакетной нормализации при обучении нейросетей)<br /> * Создание и совершенствование методов решения отдельных подзадач (например, детектор объектов)<br /> * Развитие генеративных методов (например, Разбор двухмерных сцен с помощью порождающих моделей)<br /> <br /> Большинство задач подходят одновременно и как курсовая для разных курсов, и как выпускная работа. Различие будет в масштабе проработки задачи. Например, в одном случае будет достаточно разобраться с библиотекой, воспроизвести алгоритм из статьи и провести его экспериментальную оценку. В другом случае, нужно будет его усовершенствовать. <br /> <br /> При работе с нейросетями в качестве основного инструмента я предлагаю использовать библиотеку Caffe, одну из самых популярных для нейросетей. Писать с нуля реализацию нейросетей не вижу большого смысла. С другой стороны, для порождающих моделей, опирающихся на разные методы оптимизации, в основном на метод Монте-Карло в Марковских цепях, на данный момент нет столь же качественных библиотек. Поэтому придется реализовывать некоторые базовые процедуры или переписывать их, опираясь на реализации в других языках и пакетах. Так, например, порождающие модели (как часть интересной области &quot;вероятностного программирования&quot;) активно исследуются в MIT, реализованы на внутреннем языке Julia, и хакерскими костылями стыкуются с библиотеками на других языках, что делает их непригодными для широкого использования. Поэтому в этой области есть возможность внести свой вклад в создание чего-то более востребованного, в т.ч. и получая консультации от авторов методов. <br /> <br /> Ещё один аспект. Ряд предложенных тем попадают в тематику гранта РФФИ &quot;Развитие новых методов глубинного обучения в задачах обучения по большим объемам данных&quot; (руководитель Дмитрий Петрович Ветров), участником которого являюсь я и мой аспирант. Выбрав соответствующую тему и хорошо себя проявив вы получаете возможность войти в исследовательский коллектив этого проекта.<br /> <br /> = Список тем (2015-2016 учебный год) = <br /> ==== Исследование нейросетевых архитектур на базе CIFAR (Evaluation of neural architectures on CIFAR) 2-3 ====<br /> ==== Исследование методов обучения нейросетевых архитектур (Evaluation of CNN training methods) 2-4 ====<br /> ==== Исследование процедуры пакетной нормализации при обучении нейросетей (Evaluation of batch normalization for CNN) 2-4 ====<br /> ==== Исследование параметров обучения нейросетевых каскадов (Evaluation of training parameters for neural cascade) 2-3 ====<br /> ==== Дистилляция нейросетей (Distilling neural networks) 2-4 ====<br /> ==== Определение марки и цвета автомобиля с помощью нейросетей ( Car type and color estimation with neural networks) 2-4 ====<br /> ==== Определение цвета одежды человека (Clothing color estimation) 2-4 ====<br /> ==== Нейросетевой детектор объектов (CNN-based object detector) 2-4 ====<br /> ==== Сегментация изображений на основе нейросетей (Image segmentation with CNN) 2-4 ====<br /> ==== Исследование рекуррентных нейросетей для описания изображений (Evaluation of RNN for image description) 2-4 ====<br /> ==== Исследование порождающих нейросетей для генерации изображений (Image synthesis with generative neural networks) 2-4 ====<br /> ==== Поиск изображений по содержанию (Content-based image retrieval) 3-4 ====<br /> ==== Аннотация персонажей в видео (Person annotation in video) 2-4 ====<br /> ==== Определение наличия голоса в аудиодорожке (Voice detection in audio stream) 2-4 ====<br /> ==== Распознавание персонажей по голосу в видеофильмах (Voice-based person recognition in movies) 2-4 ====<br /> ==== Разбор двухмерных сцен с помощью порождающих моделей (2D scene parsing with generative models) 2-3 ====<br /> ==== Разбор трёхмерных сцен с помощью порождающих моделей (3D scene parsing with generative models) 2-4 ====<br /> ==== Подсчёт и сопровождение людей с камеры Kinect (People counting and tracking with Kinect) 4 ====<br /> <br /> = Материалы =<br /> <br /> * [http://caffe.berkeleyvision.org/ Caffe - deep learning framework] - наиболее активно используемая моими студентами библиотека нейросетей<br /> * [http://u.cs.biu.ac.il/~yogo/nnlp.pdf A Primer on Neural Network Models for Natural Language Processing] хорошее введение в нейросети на примере анализа текстов<br /> * [http://neuralnetworksanddeeplearning.com/ Neural Networks and Deep Learning] - неплохая небольшая книга по глуибнному обучению, с которой можно начинать изучение<br /> * [http://www.iro.umontreal.ca/~bengioy/dlbook/ Deep Learning book] - черновая версия книги Yoshua Bengio, Ian Goodfellow and Aaron Courville про глубинное обучение<br /> * [https://github.com/robertsdionne/neural-network-papers robertsdionne/neural-network-papers] - Хорошая коллекция статей про нейросети. Заметную часть мы будем разбирать на семинарах.<br /> * [https://colah.github.io/ Colah blog] - блог с хорошим описанием ряда вопросов по нейросетям<br /> * [http://nuit-blanche.blogspot.de/ Nuit Blance blog] - блог с описанием разных моментов по машинному обучению<br /> * [http://cs231n.github.io/ Курс Стенфорда по нейросетям] - Много интересных материалов по нейросетям<br /> * [http://ufldl.stanford.edu/wiki/index.php/UFLDL_Tutorial] - Хороший тьюториал Стенфорда<br /> * [https://www.facebook.com/moscowcv?ref=aymt_homepage_panel Facebook Moscow Computer Vision Group] - страница семинара по компьютерному зрению в ШАД с дайджестами интересных ссылок</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:Akonushin&diff=17765 2015-11-25T17:26:07Z

<p>Akonushin: /* Материалы */</p> <hr /> <div>= Обо мне =<br /> Меня зовут Конушин Антон. Я доцент департамент больших данных и информационного поиска ФКН НИУ ВШЭ и академический руководитель ОП &quot;Прикладная математика и информатика&quot;. Также я руковожу лабораторией компьютерной графики и мультимедиа ВМК МГУ (http://graphics.cs.msu.ru/ru) и читаю лекции в Школе Анализа Данных Яндекса. Мои основные научные интересы - это компьютерное зрение, машинное обучение и компьютерная графика.<br /> <br /> = Научные интересы и предлагаемые темы работ =<br /> <br /> Основное приложение методов компьютерного зрения, которое мне сейчас интересно, это &quot;разбор видео&quot;, т.е. извлечение всей возможной информации из видеоданных. Главный рассматриваемый сейчас сценарий - это работа с данными видеонаблюдения. На выходе нужно получить список наблюдаемых людей и объектов, траектории их движения в кадре, их характеристики, и даже трёхмерную модель каждого объекта. Решение такой задачи требует решения множества подзадач - выделение интересующих объектов в кадре и их частей, сопровождение объектов (т.е. построение траекторий), идентификация, распознавание атрибутов, оценка 3х мерной формы и т.д.. Используемые методы можно разделить на три группы - построение признакового описания, классификация, и оценка параметров моделей. Сейчас задачи извлечения признаков из изображений и классификации решаются совместно с использованием нейросетей, за счёт которых наблюдается бурный прогресс компьютерного зрения в последние несколько лет. Задача оценки параметров моделей с использованием имеющихся параметрических моделей, как мне кажется, временно отошла на второй план, но остаётся наиболее перспективным подходом для решения некоторых задач, в которых, например, данных никогда не будет достаточно для явного обучения нейросетей из-за слишком высокой размерности множества выходных параметров. <br /> <br /> Задачи, которые я предлагаю в качестве тем курсовых и ВКР, можно условно разделить на 3 группы:<br /> * Изучение и развитие отдельных методов для нейросетей (например, исследование пакетной нормализации при обучении нейросетей)<br /> * Создание и совершенствование методов решения отдельных подзадач (например, детектор объектов)<br /> * Развитие генеративных методов (например, Разбор двухмерных сцен с помощью порождающих моделей)<br /> <br /> Большинство задач подходят одновременно и как курсовая для разных курсов, и как выпускная работа. Различие будет в масштабе проработки задачи. Например, в одном случае будет достаточно разобраться с библиотекой, воспроизвести алгоритм из статьи и провести его экспериментальную оценку. В другом случае, нужно будет его усовершенствовать. <br /> <br /> При работе с нейросетями в качестве основного инструмента я предлагаю использовать библиотеку Caffe, одну из самых популярных для нейросетей. Писать с нуля реализацию нейросетей не вижу большого смысла. С другой стороны, для порождающих моделей, опирающихся на разные методы оптимизации, в основном на метод Монте-Карло в Марковских цепях, на данный момент нет столь же качественных библиотек. Поэтому придется реализовывать некоторые базовые процедуры или переписывать их, опираясь на реализации в других языках и пакетах. Так, например, порождающие модели (как часть интересной области &quot;вероятностного программирования&quot;) активно исследуются в MIT, реализованы на внутреннем языке Julia, и хакерскими костылями стыкуются с библиотеками на других языках, что делает их непригодными для широкого использования. Поэтому в этой области есть возможность внести свой вклад в создание чего-то более востребованного, в т.ч. и получая консультации от авторов методов. <br /> <br /> Ещё один аспект. Ряд предложенных тем попадают в тематику гранта РФФИ &quot;Развитие новых методов глубинного обучения в задачах обучения по большим объемам данных&quot; (руководитель Дмитрий Петрович Ветров), участником которого являюсь я и мой аспирант. Выбрав соответствующую тему и хорошо себя проявив вы получаете возможность войти в исследовательский коллектив этого проекта.<br /> <br /> = Список тем (2015-2016 учебный год) = <br /> ==== Исследование нейросетевых архитектур на базе CIFAR (Evaluation of neural architectures on CIFAR) 2-3 ====<br /> ==== Исследование методов обучения нейросетевых архитектур (Evaluation of CNN training methods) 2-4 ====<br /> ==== Исследование процедуры пакетной нормализации при обучении нейросетей (Evaluation of batch normalization for CNN) 2-4 ====<br /> ==== Исследование параметров обучения нейросетевых каскадов (Evaluation of training parameters for neural cascade) 2-3 ====<br /> ==== Дистилляция нейросетей (Distilling neural networks) 2-4 ====<br /> ==== Определение марки и цвета автомобиля с помощью нейросетей ( Car type and color estimation with neural networks) 2-4 ====<br /> ==== Определение цвета одежды человека (Clothing color estimation) 2-4 ====<br /> ==== Нейросетевой детектор объектов (CNN-based object detector) 2-4 ====<br /> ==== Сегментация изображений на основе нейросетей (Image segmentation with CNN) 2-4 ====<br /> ==== Исследование рекуррентных нейросетей для описания изображений (Evaluation of RNN for image description) 2-4 ====<br /> ==== Исследование порождающих нейросетей для генерации изображений (Image synthesis with generative neural networks) 2-4 ====<br /> ==== Поиск изображений по содержанию (Content-based image retrieval) 3-4 ====<br /> ==== Аннотация персонажей в видео (Person annotation in video) 2-4 ====<br /> ==== Определение наличия голоса в аудиодорожке (Voice detection in audio stream) 2-4 ====<br /> ==== Распознавание персонажей по голосу в видеофильмах (Voice-based person recognition in movies) 2-4 ====<br /> ==== Разбор двухмерных сцен с помощью порождающих моделей (2D scene parsing with generative models) 2-3 ====<br /> ==== Разбор трёхмерных сцен с помощью порождающих моделей (3D scene parsing with generative models) 2-4 ====<br /> ==== Подсчёт и сопровождение людей с камеры Kinect (People counting and tracking with Kinect) 4 ====<br /> <br /> = Материалы =<br /> <br /> * [http://caffe.berkeleyvision.org/ Caffe - deep learning framework] - наиболее активно используемая моими студентами библиотека нейросетей<br /> * [http://u.cs.biu.ac.il/~yogo/nnlp.pdf - A Primer on Neural Network Models for Natural Language Processing] хорошее введение в нейросети на примере анализа текстов<br /> * [http://neuralnetworksanddeeplearning.com/ - Neural Networks and Deep Learning] - неплохая небольшая книга по глуибнному обучению, с которой можно начинать изучение<br /> * [http://www.iro.umontreal.ca/~bengioy/dlbook/ Deep Learning book] - черновая версия книги Yoshua Bengio, Ian Goodfellow and Aaron Courville про глубинное обучение<br /> * [https://github.com/robertsdionne/neural-network-papers robertsdionne/neural-network-papers] - Хорошая коллекция статей про нейросети. Заметную часть мы будем разбирать на семинарах.<br /> * [https://colah.github.io/ Colah blog] - блог с хорошим описанием ряда вопросов по нейросетям<br /> * [http://nuit-blanche.blogspot.de/ Nuit Blance blog] - блог с описанием разных моментов по машинному обучению<br /> * [http://cs231n.github.io/ Курс Стенфорда по нейросетям] - Много интересных материалов по нейросетям<br /> * [http://ufldl.stanford.edu/wiki/index.php/UFLDL_Tutorial] - Хороший тьюториал Стенфорда<br /> * [https://www.facebook.com/moscowcv?ref=aymt_homepage_panel Facebook Moscow Computer Vision Group] - страница семинара по компьютерному зрению в ШАД с дайджестами интересных ссылок</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:Akonushin&diff=17764 2015-11-25T17:22:53Z

<p>Akonushin: /* Материалы */</p> <hr /> <div>= Обо мне =<br /> Меня зовут Конушин Антон. Я доцент департамент больших данных и информационного поиска ФКН НИУ ВШЭ и академический руководитель ОП &quot;Прикладная математика и информатика&quot;. Также я руковожу лабораторией компьютерной графики и мультимедиа ВМК МГУ (http://graphics.cs.msu.ru/ru) и читаю лекции в Школе Анализа Данных Яндекса. Мои основные научные интересы - это компьютерное зрение, машинное обучение и компьютерная графика.<br /> <br /> = Научные интересы и предлагаемые темы работ =<br /> <br /> Основное приложение методов компьютерного зрения, которое мне сейчас интересно, это &quot;разбор видео&quot;, т.е. извлечение всей возможной информации из видеоданных. Главный рассматриваемый сейчас сценарий - это работа с данными видеонаблюдения. На выходе нужно получить список наблюдаемых людей и объектов, траектории их движения в кадре, их характеристики, и даже трёхмерную модель каждого объекта. Решение такой задачи требует решения множества подзадач - выделение интересующих объектов в кадре и их частей, сопровождение объектов (т.е. построение траекторий), идентификация, распознавание атрибутов, оценка 3х мерной формы и т.д.. Используемые методы можно разделить на три группы - построение признакового описания, классификация, и оценка параметров моделей. Сейчас задачи извлечения признаков из изображений и классификации решаются совместно с использованием нейросетей, за счёт которых наблюдается бурный прогресс компьютерного зрения в последние несколько лет. Задача оценки параметров моделей с использованием имеющихся параметрических моделей, как мне кажется, временно отошла на второй план, но остаётся наиболее перспективным подходом для решения некоторых задач, в которых, например, данных никогда не будет достаточно для явного обучения нейросетей из-за слишком высокой размерности множества выходных параметров. <br /> <br /> Задачи, которые я предлагаю в качестве тем курсовых и ВКР, можно условно разделить на 3 группы:<br /> * Изучение и развитие отдельных методов для нейросетей (например, исследование пакетной нормализации при обучении нейросетей)<br /> * Создание и совершенствование методов решения отдельных подзадач (например, детектор объектов)<br /> * Развитие генеративных методов (например, Разбор двухмерных сцен с помощью порождающих моделей)<br /> <br /> Большинство задач подходят одновременно и как курсовая для разных курсов, и как выпускная работа. Различие будет в масштабе проработки задачи. Например, в одном случае будет достаточно разобраться с библиотекой, воспроизвести алгоритм из статьи и провести его экспериментальную оценку. В другом случае, нужно будет его усовершенствовать. <br /> <br /> При работе с нейросетями в качестве основного инструмента я предлагаю использовать библиотеку Caffe, одну из самых популярных для нейросетей. Писать с нуля реализацию нейросетей не вижу большого смысла. С другой стороны, для порождающих моделей, опирающихся на разные методы оптимизации, в основном на метод Монте-Карло в Марковских цепях, на данный момент нет столь же качественных библиотек. Поэтому придется реализовывать некоторые базовые процедуры или переписывать их, опираясь на реализации в других языках и пакетах. Так, например, порождающие модели (как часть интересной области &quot;вероятностного программирования&quot;) активно исследуются в MIT, реализованы на внутреннем языке Julia, и хакерскими костылями стыкуются с библиотеками на других языках, что делает их непригодными для широкого использования. Поэтому в этой области есть возможность внести свой вклад в создание чего-то более востребованного, в т.ч. и получая консультации от авторов методов. <br /> <br /> Ещё один аспект. Ряд предложенных тем попадают в тематику гранта РФФИ &quot;Развитие новых методов глубинного обучения в задачах обучения по большим объемам данных&quot; (руководитель Дмитрий Петрович Ветров), участником которого являюсь я и мой аспирант. Выбрав соответствующую тему и хорошо себя проявив вы получаете возможность войти в исследовательский коллектив этого проекта.<br /> <br /> = Список тем (2015-2016 учебный год) = <br /> ==== Исследование нейросетевых архитектур на базе CIFAR (Evaluation of neural architectures on CIFAR) 2-3 ====<br /> ==== Исследование методов обучения нейросетевых архитектур (Evaluation of CNN training methods) 2-4 ====<br /> ==== Исследование процедуры пакетной нормализации при обучении нейросетей (Evaluation of batch normalization for CNN) 2-4 ====<br /> ==== Исследование параметров обучения нейросетевых каскадов (Evaluation of training parameters for neural cascade) 2-3 ====<br /> ==== Дистилляция нейросетей (Distilling neural networks) 2-4 ====<br /> ==== Определение марки и цвета автомобиля с помощью нейросетей ( Car type and color estimation with neural networks) 2-4 ====<br /> ==== Определение цвета одежды человека (Clothing color estimation) 2-4 ====<br /> ==== Нейросетевой детектор объектов (CNN-based object detector) 2-4 ====<br /> ==== Сегментация изображений на основе нейросетей (Image segmentation with CNN) 2-4 ====<br /> ==== Исследование рекуррентных нейросетей для описания изображений (Evaluation of RNN for image description) 2-4 ====<br /> ==== Исследование порождающих нейросетей для генерации изображений (Image synthesis with generative neural networks) 2-4 ====<br /> ==== Поиск изображений по содержанию (Content-based image retrieval) 3-4 ====<br /> ==== Аннотация персонажей в видео (Person annotation in video) 2-4 ====<br /> ==== Определение наличия голоса в аудиодорожке (Voice detection in audio stream) 2-4 ====<br /> ==== Распознавание персонажей по голосу в видеофильмах (Voice-based person recognition in movies) 2-4 ====<br /> ==== Разбор двухмерных сцен с помощью порождающих моделей (2D scene parsing with generative models) 2-3 ====<br /> ==== Разбор трёхмерных сцен с помощью порождающих моделей (3D scene parsing with generative models) 2-4 ====<br /> ==== Подсчёт и сопровождение людей с камеры Kinect (People counting and tracking with Kinect) 4 ====<br /> <br /> = Материалы =<br /> <br /> * [http://caffe.berkeleyvision.org/ Caffe - deep learning framework] - наиболее активно используемая моими студентами библиотека нейросетей<br /> * http://u.cs.biu.ac.il/~yogo/nnlp.pdf - хорошее введение в нейросети на примере анализа текстов<br /> *</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:Akonushin&diff=17763 2015-11-25T17:17:02Z

<p>Akonushin: /* Материалы */</p> <hr /> <div>= Обо мне =<br /> Меня зовут Конушин Антон. Я доцент департамент больших данных и информационного поиска ФКН НИУ ВШЭ и академический руководитель ОП &quot;Прикладная математика и информатика&quot;. Также я руковожу лабораторией компьютерной графики и мультимедиа ВМК МГУ (http://graphics.cs.msu.ru/ru) и читаю лекции в Школе Анализа Данных Яндекса. Мои основные научные интересы - это компьютерное зрение, машинное обучение и компьютерная графика.<br /> <br /> = Научные интересы и предлагаемые темы работ =<br /> <br /> Основное приложение методов компьютерного зрения, которое мне сейчас интересно, это &quot;разбор видео&quot;, т.е. извлечение всей возможной информации из видеоданных. Главный рассматриваемый сейчас сценарий - это работа с данными видеонаблюдения. На выходе нужно получить список наблюдаемых людей и объектов, траектории их движения в кадре, их характеристики, и даже трёхмерную модель каждого объекта. Решение такой задачи требует решения множества подзадач - выделение интересующих объектов в кадре и их частей, сопровождение объектов (т.е. построение траекторий), идентификация, распознавание атрибутов, оценка 3х мерной формы и т.д.. Используемые методы можно разделить на три группы - построение признакового описания, классификация, и оценка параметров моделей. Сейчас задачи извлечения признаков из изображений и классификации решаются совместно с использованием нейросетей, за счёт которых наблюдается бурный прогресс компьютерного зрения в последние несколько лет. Задача оценки параметров моделей с использованием имеющихся параметрических моделей, как мне кажется, временно отошла на второй план, но остаётся наиболее перспективным подходом для решения некоторых задач, в которых, например, данных никогда не будет достаточно для явного обучения нейросетей из-за слишком высокой размерности множества выходных параметров. <br /> <br /> Задачи, которые я предлагаю в качестве тем курсовых и ВКР, можно условно разделить на 3 группы:<br /> * Изучение и развитие отдельных методов для нейросетей (например, исследование пакетной нормализации при обучении нейросетей)<br /> * Создание и совершенствование методов решения отдельных подзадач (например, детектор объектов)<br /> * Развитие генеративных методов (например, Разбор двухмерных сцен с помощью порождающих моделей)<br /> <br /> Большинство задач подходят одновременно и как курсовая для разных курсов, и как выпускная работа. Различие будет в масштабе проработки задачи. Например, в одном случае будет достаточно разобраться с библиотекой, воспроизвести алгоритм из статьи и провести его экспериментальную оценку. В другом случае, нужно будет его усовершенствовать. <br /> <br /> При работе с нейросетями в качестве основного инструмента я предлагаю использовать библиотеку Caffe, одну из самых популярных для нейросетей. Писать с нуля реализацию нейросетей не вижу большого смысла. С другой стороны, для порождающих моделей, опирающихся на разные методы оптимизации, в основном на метод Монте-Карло в Марковских цепях, на данный момент нет столь же качественных библиотек. Поэтому придется реализовывать некоторые базовые процедуры или переписывать их, опираясь на реализации в других языках и пакетах. Так, например, порождающие модели (как часть интересной области &quot;вероятностного программирования&quot;) активно исследуются в MIT, реализованы на внутреннем языке Julia, и хакерскими костылями стыкуются с библиотеками на других языках, что делает их непригодными для широкого использования. Поэтому в этой области есть возможность внести свой вклад в создание чего-то более востребованного, в т.ч. и получая консультации от авторов методов. <br /> <br /> Ещё один аспект. Ряд предложенных тем попадают в тематику гранта РФФИ &quot;Развитие новых методов глубинного обучения в задачах обучения по большим объемам данных&quot; (руководитель Дмитрий Петрович Ветров), участником которого являюсь я и мой аспирант. Выбрав соответствующую тему и хорошо себя проявив вы получаете возможность войти в исследовательский коллектив этого проекта.<br /> <br /> = Список тем (2015-2016 учебный год) = <br /> ==== Исследование нейросетевых архитектур на базе CIFAR (Evaluation of neural architectures on CIFAR) 2-3 ====<br /> ==== Исследование методов обучения нейросетевых архитектур (Evaluation of CNN training methods) 2-4 ====<br /> ==== Исследование процедуры пакетной нормализации при обучении нейросетей (Evaluation of batch normalization for CNN) 2-4 ====<br /> ==== Исследование параметров обучения нейросетевых каскадов (Evaluation of training parameters for neural cascade) 2-3 ====<br /> ==== Дистилляция нейросетей (Distilling neural networks) 2-4 ====<br /> ==== Определение марки и цвета автомобиля с помощью нейросетей ( Car type and color estimation with neural networks) 2-4 ====<br /> ==== Определение цвета одежды человека (Clothing color estimation) 2-4 ====<br /> ==== Нейросетевой детектор объектов (CNN-based object detector) 2-4 ====<br /> ==== Сегментация изображений на основе нейросетей (Image segmentation with CNN) 2-4 ====<br /> ==== Исследование рекуррентных нейросетей для описания изображений (Evaluation of RNN for image description) 2-4 ====<br /> ==== Исследование порождающих нейросетей для генерации изображений (Image synthesis with generative neural networks) 2-4 ====<br /> ==== Поиск изображений по содержанию (Content-based image retrieval) 3-4 ====<br /> ==== Аннотация персонажей в видео (Person annotation in video) 2-4 ====<br /> ==== Определение наличия голоса в аудиодорожке (Voice detection in audio stream) 2-4 ====<br /> ==== Распознавание персонажей по голосу в видеофильмах (Voice-based person recognition in movies) 2-4 ====<br /> ==== Разбор двухмерных сцен с помощью порождающих моделей (2D scene parsing with generative models) 2-3 ====<br /> ==== Разбор трёхмерных сцен с помощью порождающих моделей (3D scene parsing with generative models) 2-4 ====<br /> ==== Подсчёт и сопровождение людей с камеры Kinect (People counting and tracking with Kinect) 4 ====<br /> <br /> = Материалы =<br /> <br /> * http://u.cs.biu.ac.il/~yogo/nnlp.pdf - хорошее введение в нейросети на примере анализа текстов</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:Akonushin&diff=17762 2015-11-25T17:16:01Z

<p>Akonushin: /* Список тем (2015-2016 учебный год) */</p> <hr /> <div>= Обо мне =<br /> Меня зовут Конушин Антон. Я доцент департамент больших данных и информационного поиска ФКН НИУ ВШЭ и академический руководитель ОП &quot;Прикладная математика и информатика&quot;. Также я руковожу лабораторией компьютерной графики и мультимедиа ВМК МГУ (http://graphics.cs.msu.ru/ru) и читаю лекции в Школе Анализа Данных Яндекса. Мои основные научные интересы - это компьютерное зрение, машинное обучение и компьютерная графика.<br /> <br /> = Научные интересы и предлагаемые темы работ =<br /> <br /> Основное приложение методов компьютерного зрения, которое мне сейчас интересно, это &quot;разбор видео&quot;, т.е. извлечение всей возможной информации из видеоданных. Главный рассматриваемый сейчас сценарий - это работа с данными видеонаблюдения. На выходе нужно получить список наблюдаемых людей и объектов, траектории их движения в кадре, их характеристики, и даже трёхмерную модель каждого объекта. Решение такой задачи требует решения множества подзадач - выделение интересующих объектов в кадре и их частей, сопровождение объектов (т.е. построение траекторий), идентификация, распознавание атрибутов, оценка 3х мерной формы и т.д.. Используемые методы можно разделить на три группы - построение признакового описания, классификация, и оценка параметров моделей. Сейчас задачи извлечения признаков из изображений и классификации решаются совместно с использованием нейросетей, за счёт которых наблюдается бурный прогресс компьютерного зрения в последние несколько лет. Задача оценки параметров моделей с использованием имеющихся параметрических моделей, как мне кажется, временно отошла на второй план, но остаётся наиболее перспективным подходом для решения некоторых задач, в которых, например, данных никогда не будет достаточно для явного обучения нейросетей из-за слишком высокой размерности множества выходных параметров. <br /> <br /> Задачи, которые я предлагаю в качестве тем курсовых и ВКР, можно условно разделить на 3 группы:<br /> * Изучение и развитие отдельных методов для нейросетей (например, исследование пакетной нормализации при обучении нейросетей)<br /> * Создание и совершенствование методов решения отдельных подзадач (например, детектор объектов)<br /> * Развитие генеративных методов (например, Разбор двухмерных сцен с помощью порождающих моделей)<br /> <br /> Большинство задач подходят одновременно и как курсовая для разных курсов, и как выпускная работа. Различие будет в масштабе проработки задачи. Например, в одном случае будет достаточно разобраться с библиотекой, воспроизвести алгоритм из статьи и провести его экспериментальную оценку. В другом случае, нужно будет его усовершенствовать. <br /> <br /> При работе с нейросетями в качестве основного инструмента я предлагаю использовать библиотеку Caffe, одну из самых популярных для нейросетей. Писать с нуля реализацию нейросетей не вижу большого смысла. С другой стороны, для порождающих моделей, опирающихся на разные методы оптимизации, в основном на метод Монте-Карло в Марковских цепях, на данный момент нет столь же качественных библиотек. Поэтому придется реализовывать некоторые базовые процедуры или переписывать их, опираясь на реализации в других языках и пакетах. Так, например, порождающие модели (как часть интересной области &quot;вероятностного программирования&quot;) активно исследуются в MIT, реализованы на внутреннем языке Julia, и хакерскими костылями стыкуются с библиотеками на других языках, что делает их непригодными для широкого использования. Поэтому в этой области есть возможность внести свой вклад в создание чего-то более востребованного, в т.ч. и получая консультации от авторов методов. <br /> <br /> Ещё один аспект. Ряд предложенных тем попадают в тематику гранта РФФИ &quot;Развитие новых методов глубинного обучения в задачах обучения по большим объемам данных&quot; (руководитель Дмитрий Петрович Ветров), участником которого являюсь я и мой аспирант. Выбрав соответствующую тему и хорошо себя проявив вы получаете возможность войти в исследовательский коллектив этого проекта.<br /> <br /> = Список тем (2015-2016 учебный год) = <br /> ==== Исследование нейросетевых архитектур на базе CIFAR (Evaluation of neural architectures on CIFAR) 2-3 ====<br /> ==== Исследование методов обучения нейросетевых архитектур (Evaluation of CNN training methods) 2-4 ====<br /> ==== Исследование процедуры пакетной нормализации при обучении нейросетей (Evaluation of batch normalization for CNN) 2-4 ====<br /> ==== Исследование параметров обучения нейросетевых каскадов (Evaluation of training parameters for neural cascade) 2-3 ====<br /> ==== Дистилляция нейросетей (Distilling neural networks) 2-4 ====<br /> ==== Определение марки и цвета автомобиля с помощью нейросетей ( Car type and color estimation with neural networks) 2-4 ====<br /> ==== Определение цвета одежды человека (Clothing color estimation) 2-4 ====<br /> ==== Нейросетевой детектор объектов (CNN-based object detector) 2-4 ====<br /> ==== Сегментация изображений на основе нейросетей (Image segmentation with CNN) 2-4 ====<br /> ==== Исследование рекуррентных нейросетей для описания изображений (Evaluation of RNN for image description) 2-4 ====<br /> ==== Исследование порождающих нейросетей для генерации изображений (Image synthesis with generative neural networks) 2-4 ====<br /> ==== Поиск изображений по содержанию (Content-based image retrieval) 3-4 ====<br /> ==== Аннотация персонажей в видео (Person annotation in video) 2-4 ====<br /> ==== Определение наличия голоса в аудиодорожке (Voice detection in audio stream) 2-4 ====<br /> ==== Распознавание персонажей по голосу в видеофильмах (Voice-based person recognition in movies) 2-4 ====<br /> ==== Разбор двухмерных сцен с помощью порождающих моделей (2D scene parsing with generative models) 2-3 ====<br /> ==== Разбор трёхмерных сцен с помощью порождающих моделей (3D scene parsing with generative models) 2-4 ====<br /> ==== Подсчёт и сопровождение людей с камеры Kinect (People counting and tracking with Kinect) 4 ====<br /> <br /> = Материалы =</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:Akonushin&diff=17287 2015-09-30T14:41:22Z

<p>Akonushin: /* Научные интересы и предлагаемые темы работ */</p> <hr /> <div>= Обо мне =<br /> Меня зовут Конушин Антон. Я доцент департамент больших данных и информационного поиска ФКН НИУ ВШЭ и академический руководитель ОП &quot;Прикладная математика и информатика&quot;. Также я руковожу лабораторией компьютерной графики и мультимедиа ВМК МГУ (http://graphics.cs.msu.ru/ru) и читаю лекции в Школе Анализа Данных Яндекса. Мои основные научные интересы - это компьютерное зрение, машинное обучение и компьютерная графика.<br /> <br /> = Научные интересы и предлагаемые темы работ =<br /> <br /> Основное приложение методов компьютерного зрения, которое мне сейчас интересно, это &quot;разбор видео&quot;, т.е. извлечение всей возможной информации из видеоданных. Главный рассматриваемый сейчас сценарий - это работа с данными видеонаблюдения. На выходе нужно получить список наблюдаемых людей и объектов, траектории их движения в кадре, их характеристики, и даже трёхмерную модель каждого объекта. Решение такой задачи требует решения множества подзадач - выделение интересующих объектов в кадре и их частей, сопровождение объектов (т.е. построение траекторий), идентификация, распознавание атрибутов, оценка 3х мерной формы и т.д.. Используемые методы можно разделить на три группы - построение признакового описания, классификация, и оценка параметров моделей. Сейчас задачи извлечения признаков из изображений и классификации решаются совместно с использованием нейросетей, за счёт которых наблюдается бурный прогресс компьютерного зрения в последние несколько лет. Задача оценки параметров моделей с использованием имеющихся параметрических моделей, как мне кажется, временно отошла на второй план, но остаётся наиболее перспективным подходом для решения некоторых задач, в которых, например, данных никогда не будет достаточно для явного обучения нейросетей из-за слишком высокой размерности множества выходных параметров. <br /> <br /> Задачи, которые я предлагаю в качестве тем курсовых и ВКР, можно условно разделить на 3 группы:<br /> * Изучение и развитие отдельных методов для нейросетей (например, исследование пакетной нормализации при обучении нейросетей)<br /> * Создание и совершенствование методов решения отдельных подзадач (например, детектор объектов)<br /> * Развитие генеративных методов (например, Разбор двухмерных сцен с помощью порождающих моделей)<br /> <br /> Большинство задач подходят одновременно и как курсовая для разных курсов, и как выпускная работа. Различие будет в масштабе проработки задачи. Например, в одном случае будет достаточно разобраться с библиотекой, воспроизвести алгоритм из статьи и провести его экспериментальную оценку. В другом случае, нужно будет его усовершенствовать. <br /> <br /> При работе с нейросетями в качестве основного инструмента я предлагаю использовать библиотеку Caffe, одну из самых популярных для нейросетей. Писать с нуля реализацию нейросетей не вижу большого смысла. С другой стороны, для порождающих моделей, опирающихся на разные методы оптимизации, в основном на метод Монте-Карло в Марковских цепях, на данный момент нет столь же качественных библиотек. Поэтому придется реализовывать некоторые базовые процедуры или переписывать их, опираясь на реализации в других языках и пакетах. Так, например, порождающие модели (как часть интересной области &quot;вероятностного программирования&quot;) активно исследуются в MIT, реализованы на внутреннем языке Julia, и хакерскими костылями стыкуются с библиотеками на других языках, что делает их непригодными для широкого использования. Поэтому в этой области есть возможность внести свой вклад в создание чего-то более востребованного, в т.ч. и получая консультации от авторов методов. <br /> <br /> Ещё один аспект. Ряд предложенных тем попадают в тематику гранта РФФИ &quot;Развитие новых методов глубинного обучения в задачах обучения по большим объемам данных&quot; (руководитель Дмитрий Петрович Ветров), участником которого являюсь я и мой аспирант. Выбрав соответствующую тему и хорошо себя проявив вы получаете возможность войти в исследовательский коллектив этого проекта.<br /> <br /> = Список тем (2015-2016 учебный год) = <br /> ==== Исследование нейросетевых архитектур на базе CIFAR (Evaluation of neural architectures on CIFAR) 2-3 ====<br /> ==== Исследование методов обучения нейросетевых архитектур (Evaluation of CNN training methods) 2-4 ====<br /> ==== Исследование процедуры пакетной нормализации при обучении нейросетей (Evaluation of batch normalization for CNN) 2-4 ====<br /> ==== Исследование параметров обучения нейросетевых каскадов (Evaluation of training parameters for neural cascade) 2-3 ====<br /> ==== Дистилляция нейросетей (Distilling neural networks) 2-4 ====<br /> ==== Определение марки и цвета автомобиля с помощью нейросетей ( Car type and color estimation with neural networks) 2-4 ====<br /> ==== Определение цвета одежды человека (Clothing color estimation) 2-4 ====<br /> ==== Нейросетевой детектор объектов (CNN-based object detector) 2-4 ====<br /> ==== Сегментация изображений на основе нейросетей (Image segmentation with CNN) 2-4 ====<br /> ==== Исследование рекуррентных нейросетей для описания изображений (Evaluation of RNN for image description) 2-4 ====<br /> ==== Исследование порождающих нейросетей для генерации изображений (Image synthesis with generative neural networks) 2-4 ====<br /> ==== Поиск изображений по содержанию (Content-based image retrieval) 3-4 ====<br /> ==== Аннотация персонажей в видео (Person annotation in video) 2-4 ====<br /> ==== Определение наличия голоса в аудиодорожке (Voice detection in audio stream) 2-4 ====<br /> ==== Распознавание персонажей по голосу в видеофильмах (Voice-based person recognition in movies) 2-4 ====<br /> ==== Разбор двухмерных сцен с помощью порождающих моделей (2D scene parsing with generative models) 2-3 ====<br /> ==== Разбор трёхмерных сцен с помощью порождающих моделей (3D scene parsing with generative models) 2-4 ====<br /> ==== Подсчёт и сопровождение людей с камеры Kinect (People counting and tracking with Kinect) 4 ====</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:Akonushin&diff=17286 2015-09-30T14:39:10Z

<p>Akonushin: /* Обо мне */</p> <hr /> <div>= Обо мне =<br /> Меня зовут Конушин Антон. Я доцент департамент больших данных и информационного поиска ФКН НИУ ВШЭ и академический руководитель ОП &quot;Прикладная математика и информатика&quot;. Также я руковожу лабораторией компьютерной графики и мультимедиа ВМК МГУ (http://graphics.cs.msu.ru/ru) и читаю лекции в Школе Анализа Данных Яндекса. Мои основные научные интересы - это компьютерное зрение, машинное обучение и компьютерная графика.<br /> <br /> = Научные интересы и предлагаемые темы работ =<br /> <br /> Основная большая задача, которая мне интересна, это &quot;разбор видео&quot;, т.е. извлечение всей возможной информации из видеоданных. Основной рассматриваемый сейчас сценарий - это работа с данными видеонаблюдения. На выходе нужно получить список наблюдаемых людей и объектов, траектории их движения в кадре, их характеристики, и даже трёхмерную модель каждого объекта. Решение такой задачи требует решения множества подзадач - выделение интересующих объектов в кадре и их частей, сопровождение объектов (т.е. построение траекторий), идентификация, распознавание атрибутов, оценка 3х мерной формы. Используемые методы можно разделить на три группы - построение признакового описания, классификация, и оценка параметров моделей. Сейчас задачи извлечения признаков из изображения и классификации решаются совместно с использованием нейросетей, и в этой области сейчас наблюдается бурный прогресс. Задача оценки параметров моделей с использованием имеющихся параметрических моделей, как мне кажется, временно отошла на второй план, но остаётся наиболее перспективным подходом для решения некоторых задач, в которых, например, данных никогда не будет достаточно для явного обучения нейросетей из-за слишком высокой размерности множества выходных параметров. <br /> <br /> Задачи, которые я предлагаю в качестве тем курсовых и ВКР, можно условно разделить на 3 группы:<br /> * Изучение и развитие отдельных методов для нейросетей (например, исследование пакетной нормализации при обучении нейросетей)<br /> * Создание и совершенствование методов решения отдельных подзадач (например, детектор объектов)<br /> * Развитие генеративных методов (например, Разбор двухмерных сцен с помощью порождающих моделей)<br /> <br /> Большинство задач подходят одновременно и как курсовая для разных крусов., и как выпускная работа. Различие будет в масштабе проработки задачи. Например, в одном случае будет достаточно разобраться с библиотекой, воспроизвести алгоритм из статьи и провести его экспериментальную оценку. В другом случае, нужно будет его усовершенствовать. <br /> <br /> При работе с нейросетями в качестве основного инструмента я предлагаю использовать библиотеку Caffe, одну из самых популярных для нейросетей. Писать с нуля реализацию нейросетей не вижу большого смысла. С другой стороны, для порождающих моделей, опирающихся на разные методы оптимизации, в основном на метод Монте-Карло в Марковских цепях, на данный момент нет столь же качественных библиотек. Поэтому придется реализовывать некоторые базовые процедуры или переписывать их, опираясь на реализации в других языках и пакетах. Так, например, порождающие модели (как часть интересной области &quot;вероятностного программирования&quot;) активно исследуются в MIT, реализованы на внутреннем языке Julia, и хакерскими костылями стыкуются с библиотеками на других языках, что делает их непригодными для широкого использования. Поэтому в этой области есть возможность внести свой вклад в создание чего-то более востребованного, в т.ч. и получая консультации от авторов методов. <br /> <br /> Ещё один аспект. Ряд предложенных тем попадают в тематику гранта РФФИ &quot;Развитие новых методов глубинного обучения в задачах обучения по большим объемам данных&quot; (руководитель Дмитрий Петрович Ветров), участником которого являюсь я и мой аспирант. Выбрав соответствующую тему и хорошо себя проявив вы получаете возможность войти в исследовательский коллектив этого проекта.<br /> <br /> = Список тем (2015-2016 учебный год) = <br /> ==== Исследование нейросетевых архитектур на базе CIFAR (Evaluation of neural architectures on CIFAR) 2-3 ====<br /> ==== Исследование методов обучения нейросетевых архитектур (Evaluation of CNN training methods) 2-4 ====<br /> ==== Исследование процедуры пакетной нормализации при обучении нейросетей (Evaluation of batch normalization for CNN) 2-4 ====<br /> ==== Исследование параметров обучения нейросетевых каскадов (Evaluation of training parameters for neural cascade) 2-3 ====<br /> ==== Дистилляция нейросетей (Distilling neural networks) 2-4 ====<br /> ==== Определение марки и цвета автомобиля с помощью нейросетей ( Car type and color estimation with neural networks) 2-4 ====<br /> ==== Определение цвета одежды человека (Clothing color estimation) 2-4 ====<br /> ==== Нейросетевой детектор объектов (CNN-based object detector) 2-4 ====<br /> ==== Сегментация изображений на основе нейросетей (Image segmentation with CNN) 2-4 ====<br /> ==== Исследование рекуррентных нейросетей для описания изображений (Evaluation of RNN for image description) 2-4 ====<br /> ==== Исследование порождающих нейросетей для генерации изображений (Image synthesis with generative neural networks) 2-4 ====<br /> ==== Поиск изображений по содержанию (Content-based image retrieval) 3-4 ====<br /> ==== Аннотация персонажей в видео (Person annotation in video) 2-4 ====<br /> ==== Определение наличия голоса в аудиодорожке (Voice detection in audio stream) 2-4 ====<br /> ==== Распознавание персонажей по голосу в видеофильмах (Voice-based person recognition in movies) 2-4 ====<br /> ==== Разбор двухмерных сцен с помощью порождающих моделей (2D scene parsing with generative models) 2-3 ====<br /> ==== Разбор трёхмерных сцен с помощью порождающих моделей (3D scene parsing with generative models) 2-4 ====<br /> ==== Подсчёт и сопровождение людей с камеры Kinect (People counting and tracking with Kinect) 4 ====</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:Akonushin&diff=17285 2015-09-30T14:38:41Z

<p>Akonushin: /* Обо мне */</p> <hr /> <div>= Обо мне =<br /> Меня зовут Конушин Антон. Я доцент департамент больших данных и информационного поиска ФКН НИУ ВШЭ и академический руководитель ОП &quot;Прикладная математика и информатика&quot;. Также я руковожу лабораторией компьютерной графики и мультимедиа ВМК МГУ (http://graphics.cs.msu.ru/ru) и читаю лекции в Школе Анализа Данных Яндекса.<br /> <br /> = Научные интересы и предлагаемые темы работ =<br /> <br /> Основная большая задача, которая мне интересна, это &quot;разбор видео&quot;, т.е. извлечение всей возможной информации из видеоданных. Основной рассматриваемый сейчас сценарий - это работа с данными видеонаблюдения. На выходе нужно получить список наблюдаемых людей и объектов, траектории их движения в кадре, их характеристики, и даже трёхмерную модель каждого объекта. Решение такой задачи требует решения множества подзадач - выделение интересующих объектов в кадре и их частей, сопровождение объектов (т.е. построение траекторий), идентификация, распознавание атрибутов, оценка 3х мерной формы. Используемые методы можно разделить на три группы - построение признакового описания, классификация, и оценка параметров моделей. Сейчас задачи извлечения признаков из изображения и классификации решаются совместно с использованием нейросетей, и в этой области сейчас наблюдается бурный прогресс. Задача оценки параметров моделей с использованием имеющихся параметрических моделей, как мне кажется, временно отошла на второй план, но остаётся наиболее перспективным подходом для решения некоторых задач, в которых, например, данных никогда не будет достаточно для явного обучения нейросетей из-за слишком высокой размерности множества выходных параметров. <br /> <br /> Задачи, которые я предлагаю в качестве тем курсовых и ВКР, можно условно разделить на 3 группы:<br /> * Изучение и развитие отдельных методов для нейросетей (например, исследование пакетной нормализации при обучении нейросетей)<br /> * Создание и совершенствование методов решения отдельных подзадач (например, детектор объектов)<br /> * Развитие генеративных методов (например, Разбор двухмерных сцен с помощью порождающих моделей)<br /> <br /> Большинство задач подходят одновременно и как курсовая для разных крусов., и как выпускная работа. Различие будет в масштабе проработки задачи. Например, в одном случае будет достаточно разобраться с библиотекой, воспроизвести алгоритм из статьи и провести его экспериментальную оценку. В другом случае, нужно будет его усовершенствовать. <br /> <br /> При работе с нейросетями в качестве основного инструмента я предлагаю использовать библиотеку Caffe, одну из самых популярных для нейросетей. Писать с нуля реализацию нейросетей не вижу большого смысла. С другой стороны, для порождающих моделей, опирающихся на разные методы оптимизации, в основном на метод Монте-Карло в Марковских цепях, на данный момент нет столь же качественных библиотек. Поэтому придется реализовывать некоторые базовые процедуры или переписывать их, опираясь на реализации в других языках и пакетах. Так, например, порождающие модели (как часть интересной области &quot;вероятностного программирования&quot;) активно исследуются в MIT, реализованы на внутреннем языке Julia, и хакерскими костылями стыкуются с библиотеками на других языках, что делает их непригодными для широкого использования. Поэтому в этой области есть возможность внести свой вклад в создание чего-то более востребованного, в т.ч. и получая консультации от авторов методов. <br /> <br /> Ещё один аспект. Ряд предложенных тем попадают в тематику гранта РФФИ &quot;Развитие новых методов глубинного обучения в задачах обучения по большим объемам данных&quot; (руководитель Дмитрий Петрович Ветров), участником которого являюсь я и мой аспирант. Выбрав соответствующую тему и хорошо себя проявив вы получаете возможность войти в исследовательский коллектив этого проекта.<br /> <br /> = Список тем (2015-2016 учебный год) = <br /> ==== Исследование нейросетевых архитектур на базе CIFAR (Evaluation of neural architectures on CIFAR) 2-3 ====<br /> ==== Исследование методов обучения нейросетевых архитектур (Evaluation of CNN training methods) 2-4 ====<br /> ==== Исследование процедуры пакетной нормализации при обучении нейросетей (Evaluation of batch normalization for CNN) 2-4 ====<br /> ==== Исследование параметров обучения нейросетевых каскадов (Evaluation of training parameters for neural cascade) 2-3 ====<br /> ==== Дистилляция нейросетей (Distilling neural networks) 2-4 ====<br /> ==== Определение марки и цвета автомобиля с помощью нейросетей ( Car type and color estimation with neural networks) 2-4 ====<br /> ==== Определение цвета одежды человека (Clothing color estimation) 2-4 ====<br /> ==== Нейросетевой детектор объектов (CNN-based object detector) 2-4 ====<br /> ==== Сегментация изображений на основе нейросетей (Image segmentation with CNN) 2-4 ====<br /> ==== Исследование рекуррентных нейросетей для описания изображений (Evaluation of RNN for image description) 2-4 ====<br /> ==== Исследование порождающих нейросетей для генерации изображений (Image synthesis with generative neural networks) 2-4 ====<br /> ==== Поиск изображений по содержанию (Content-based image retrieval) 3-4 ====<br /> ==== Аннотация персонажей в видео (Person annotation in video) 2-4 ====<br /> ==== Определение наличия голоса в аудиодорожке (Voice detection in audio stream) 2-4 ====<br /> ==== Распознавание персонажей по голосу в видеофильмах (Voice-based person recognition in movies) 2-4 ====<br /> ==== Разбор двухмерных сцен с помощью порождающих моделей (2D scene parsing with generative models) 2-3 ====<br /> ==== Разбор трёхмерных сцен с помощью порождающих моделей (3D scene parsing with generative models) 2-4 ====<br /> ==== Подсчёт и сопровождение людей с камеры Kinect (People counting and tracking with Kinect) 4 ====</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:Akonushin&diff=17284 2015-09-30T14:37:19Z

<p>Akonushin: /* Научные интересы и предлагаемые темы работ */</p> <hr /> <div>= Обо мне =<br /> Меня зовут Конушин Антон. Я доцент департамент больших данных и информационного поиска ФКН НИУ ВШЭ и академический руководитель ОП &quot;Прикладная математика и информатика&quot;. Также я руковожу лабораторией компьютерной графики и мультимедиа ВМК МГУ (http://graphics.cs.msu.ru/ru) Мои основные научные интересы это компьютерное зрение, машинное обучение, компьютерная графика. <br /> <br /> <br /> = Научные интересы и предлагаемые темы работ =<br /> <br /> Основная большая задача, которая мне интересна, это &quot;разбор видео&quot;, т.е. извлечение всей возможной информации из видеоданных. Основной рассматриваемый сейчас сценарий - это работа с данными видеонаблюдения. На выходе нужно получить список наблюдаемых людей и объектов, траектории их движения в кадре, их характеристики, и даже трёхмерную модель каждого объекта. Решение такой задачи требует решения множества подзадач - выделение интересующих объектов в кадре и их частей, сопровождение объектов (т.е. построение траекторий), идентификация, распознавание атрибутов, оценка 3х мерной формы. Используемые методы можно разделить на три группы - построение признакового описания, классификация, и оценка параметров моделей. Сейчас задачи извлечения признаков из изображения и классификации решаются совместно с использованием нейросетей, и в этой области сейчас наблюдается бурный прогресс. Задача оценки параметров моделей с использованием имеющихся параметрических моделей, как мне кажется, временно отошла на второй план, но остаётся наиболее перспективным подходом для решения некоторых задач, в которых, например, данных никогда не будет достаточно для явного обучения нейросетей из-за слишком высокой размерности множества выходных параметров. <br /> <br /> Задачи, которые я предлагаю в качестве тем курсовых и ВКР, можно условно разделить на 3 группы:<br /> * Изучение и развитие отдельных методов для нейросетей (например, исследование пакетной нормализации при обучении нейросетей)<br /> * Создание и совершенствование методов решения отдельных подзадач (например, детектор объектов)<br /> * Развитие генеративных методов (например, Разбор двухмерных сцен с помощью порождающих моделей)<br /> <br /> Большинство задач подходят одновременно и как курсовая для разных крусов., и как выпускная работа. Различие будет в масштабе проработки задачи. Например, в одном случае будет достаточно разобраться с библиотекой, воспроизвести алгоритм из статьи и провести его экспериментальную оценку. В другом случае, нужно будет его усовершенствовать. <br /> <br /> При работе с нейросетями в качестве основного инструмента я предлагаю использовать библиотеку Caffe, одну из самых популярных для нейросетей. Писать с нуля реализацию нейросетей не вижу большого смысла. С другой стороны, для порождающих моделей, опирающихся на разные методы оптимизации, в основном на метод Монте-Карло в Марковских цепях, на данный момент нет столь же качественных библиотек. Поэтому придется реализовывать некоторые базовые процедуры или переписывать их, опираясь на реализации в других языках и пакетах. Так, например, порождающие модели (как часть интересной области &quot;вероятностного программирования&quot;) активно исследуются в MIT, реализованы на внутреннем языке Julia, и хакерскими костылями стыкуются с библиотеками на других языках, что делает их непригодными для широкого использования. Поэтому в этой области есть возможность внести свой вклад в создание чего-то более востребованного, в т.ч. и получая консультации от авторов методов. <br /> <br /> Ещё один аспект. Ряд предложенных тем попадают в тематику гранта РФФИ &quot;Развитие новых методов глубинного обучения в задачах обучения по большим объемам данных&quot; (руководитель Дмитрий Петрович Ветров), участником которого являюсь я и мой аспирант. Выбрав соответствующую тему и хорошо себя проявив вы получаете возможность войти в исследовательский коллектив этого проекта.<br /> <br /> = Список тем (2015-2016 учебный год) = <br /> ==== Исследование нейросетевых архитектур на базе CIFAR (Evaluation of neural architectures on CIFAR) 2-3 ====<br /> ==== Исследование методов обучения нейросетевых архитектур (Evaluation of CNN training methods) 2-4 ====<br /> ==== Исследование процедуры пакетной нормализации при обучении нейросетей (Evaluation of batch normalization for CNN) 2-4 ====<br /> ==== Исследование параметров обучения нейросетевых каскадов (Evaluation of training parameters for neural cascade) 2-3 ====<br /> ==== Дистилляция нейросетей (Distilling neural networks) 2-4 ====<br /> ==== Определение марки и цвета автомобиля с помощью нейросетей ( Car type and color estimation with neural networks) 2-4 ====<br /> ==== Определение цвета одежды человека (Clothing color estimation) 2-4 ====<br /> ==== Нейросетевой детектор объектов (CNN-based object detector) 2-4 ====<br /> ==== Сегментация изображений на основе нейросетей (Image segmentation with CNN) 2-4 ====<br /> ==== Исследование рекуррентных нейросетей для описания изображений (Evaluation of RNN for image description) 2-4 ====<br /> ==== Исследование порождающих нейросетей для генерации изображений (Image synthesis with generative neural networks) 2-4 ====<br /> ==== Поиск изображений по содержанию (Content-based image retrieval) 3-4 ====<br /> ==== Аннотация персонажей в видео (Person annotation in video) 2-4 ====<br /> ==== Определение наличия голоса в аудиодорожке (Voice detection in audio stream) 2-4 ====<br /> ==== Распознавание персонажей по голосу в видеофильмах (Voice-based person recognition in movies) 2-4 ====<br /> ==== Разбор двухмерных сцен с помощью порождающих моделей (2D scene parsing with generative models) 2-3 ====<br /> ==== Разбор трёхмерных сцен с помощью порождающих моделей (3D scene parsing with generative models) 2-4 ====<br /> ==== Подсчёт и сопровождение людей с камеры Kinect (People counting and tracking with Kinect) 4 ====</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:Akonushin&diff=17283 2015-09-30T14:35:53Z

<p>Akonushin: /* Темы курсовых работ и ВКР */</p> <hr /> <div>= Обо мне =<br /> Меня зовут Конушин Антон. Я доцент департамент больших данных и информационного поиска ФКН НИУ ВШЭ и академический руководитель ОП &quot;Прикладная математика и информатика&quot;. Также я руковожу лабораторией компьютерной графики и мультимедиа ВМК МГУ (http://graphics.cs.msu.ru/ru) Мои основные научные интересы это компьютерное зрение, машинное обучение, компьютерная графика. <br /> <br /> <br /> = Научные интересы и предлагаемые темы работ =<br /> <br /> Основная большая задача, которая мне интересна, это &quot;разбор видео&quot;, т.е. извлечение всей возможной информации из видеоданных. Основной рассматриваемый сейчас сценарий - это работа с данными видеонаблюдения. На выходе нужно получить список наблюдаемых людей и объектов, траектории их движения в кадре, их характеристики, и даже трёхмерную модель каждого объекта. Решение такой задачи требует решения множества подзадач - выделение интересующих объектов в кадре и их частей, сопровождение объектов (т.е. построение траекторий), идентификация, распознавание атрибутов, оценка 3х мерной формы. Используемые методы можно разделить на три группы - построение признакового описания, классификация, и оценка параметров моделей. Сейчас задачи извлечения признаков из изображения и классификации решаются совместно с использованием нейросетей, и в этой области сейчас наблюдается бурный прогресс. Задача оценки параметров моделей с использованием имеющихся параметрических моделей, как мне кажется, временно отошла на второй план, но остаётся наиболее перспективным подходом для решения некоторых задач, в которых, например, данных никогда не будет достаточно для явного обучения нейросетей из-за слишком высокой размерности множества выходных параметров. <br /> <br /> Задачи, которые я предлагаю в качестве тем курсовых и ВКР, можно условно разделить на 3 группы:<br /> * Изучение и развитие отдельных методов для нейросетей (например, исследование пакетной нормализации при обучении нейросетей)<br /> * Создание и совершенствование методов решения отдельных подзадач (например, детектор объектов)<br /> * Развитие генеративных методов (например, Разбор двухмерных сцен с помощью порождающих моделей)<br /> <br /> Большинство задач подходят одновременно и как курсовая для разных крусов., и как выпускная работа. Различие будет в масштабе проработки задачи. Например, в одном случае будет достаточно разобраться с библиотекой, воспроизвести алгоритм из статьи и провести его экспериментальную оценку. В другом случае, нужно будет его усовершенствовать. <br /> <br /> При работе с нейросетями в качестве основного инструмента я предлагаю использовать библиотеку Caffe, одну из самых популярных для нейросетей. Писать с нуля реализацию нейросетей не вижу большого смысла. С другой стороны, для порождающих моделей, опирающиеся на метод Монте-Карло в Марковских цепях, на данный момент нет столь же качественных библиотек. Поэтому придется реализовывать некоторые базовые процедуры или переписывать их, опираясь на реализации в других языках и пакетах. Так, например, порождающие модели (как часть интересной области &quot;вероятностного программирования&quot;) активно исследуются в MIT, реализованы на внутреннем языке Julia, и хакерскими костылями стыкуются с библиотеками на других языках, что делает их непригодными для широкого использования. В этой области есть возможность внести свой вклад в создание чего-то более востребованного, в т.ч. и получая консультации от авторов методов. <br /> <br /> Ещё один аспект. Ряд предложенных тем попадают в тематику гранта РФФИ &quot;Развитие новых методов глубинного обучения в задачах обучения по большим объемам данных&quot; (руководитель Дмитрий Петрович Ветров), участником которого являюсь я и мой аспирант. Выбрав соответствующую тему и хорошо себя проявив вы получаете возможность войти в исследовательский коллектив этого проекта. <br /> <br /> = Список тем (2015-2016 учебный год) = <br /> ==== Исследование нейросетевых архитектур на базе CIFAR (Evaluation of neural architectures on CIFAR) 2-3 ====<br /> ==== Исследование методов обучения нейросетевых архитектур (Evaluation of CNN training methods) 2-4 ====<br /> ==== Исследование процедуры пакетной нормализации при обучении нейросетей (Evaluation of batch normalization for CNN) 2-4 ====<br /> ==== Исследование параметров обучения нейросетевых каскадов (Evaluation of training parameters for neural cascade) 2-3 ====<br /> ==== Дистилляция нейросетей (Distilling neural networks) 2-4 ====<br /> ==== Определение марки и цвета автомобиля с помощью нейросетей ( Car type and color estimation with neural networks) 2-4 ====<br /> ==== Определение цвета одежды человека (Clothing color estimation) 2-4 ====<br /> ==== Нейросетевой детектор объектов (CNN-based object detector) 2-4 ====<br /> ==== Сегментация изображений на основе нейросетей (Image segmentation with CNN) 2-4 ====<br /> ==== Исследование рекуррентных нейросетей для описания изображений (Evaluation of RNN for image description) 2-4 ====<br /> ==== Исследование порождающих нейросетей для генерации изображений (Image synthesis with generative neural networks) 2-4 ====<br /> ==== Поиск изображений по содержанию (Content-based image retrieval) 3-4 ====<br /> ==== Аннотация персонажей в видео (Person annotation in video) 2-4 ====<br /> ==== Определение наличия голоса в аудиодорожке (Voice detection in audio stream) 2-4 ====<br /> ==== Распознавание персонажей по голосу в видеофильмах (Voice-based person recognition in movies) 2-4 ====<br /> ==== Разбор двухмерных сцен с помощью порождающих моделей (2D scene parsing with generative models) 2-3 ====<br /> ==== Разбор трёхмерных сцен с помощью порождающих моделей (3D scene parsing with generative models) 2-4 ====<br /> ==== Подсчёт и сопровождение людей с камеры Kinect (People counting and tracking with Kinect) 4 ====</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:Akonushin&diff=17282 2015-09-30T14:35:05Z

<p>Akonushin: </p> <hr /> <div>= Обо мне =<br /> Меня зовут Конушин Антон. Я доцент департамент больших данных и информационного поиска ФКН НИУ ВШЭ и академический руководитель ОП &quot;Прикладная математика и информатика&quot;. Также я руковожу лабораторией компьютерной графики и мультимедиа ВМК МГУ (http://graphics.cs.msu.ru/ru) Мои основные научные интересы это компьютерное зрение, машинное обучение, компьютерная графика. <br /> <br /> <br /> = Темы курсовых работ и ВКР =<br /> <br /> Основная большая задача, которая мне интересна, это &quot;разбор видео&quot;, т.е. извлечение всей возможной информации из видеоданных. Основной рассматриваемый сейчас сценарий - это работа с данными видеонаблюдения. На выходе нужно получить список наблюдаемых людей и объектов, траектории их движения в кадре, их характеристики, и даже трёхмерную модель каждого объекта. Решение такой задачи требует решения множества подзадач - выделение интересующих объектов в кадре и их частей, сопровождение объектов (т.е. построение траекторий), идентификация, распознавание атрибутов, оценка 3х мерной формы. Используемые методы можно разделить на три группы - построение признакового описания, классификация, и оценка параметров моделей. Сейчас задачи извлечения признаков из изображения и классификации решаются совместно с использованием нейросетей, и в этой области сейчас наблюдается бурный прогресс. Задача оценки параметров моделей с использованием имеющихся параметрических моделей, как мне кажется, временно отошла на второй план, но остаётся наиболее перспективным подходом для решения некоторых задач, в которых, например, данных никогда не будет достаточно для явного обучения нейросетей из-за слишком высокой размерности множества выходных параметров. <br /> <br /> Задачи, которые я предлагаю в качестве тем курсовых и ВКР, можно условно разделить на 3 группы:<br /> * Изучение и развитие отдельных методов для нейросетей (например, исследование пакетной нормализации при обучении нейросетей)<br /> * Создание и совершенствование методов решения отдельных подзадач (например, детектор объектов)<br /> * Развитие генеративных методов (например, Разбор двухмерных сцен с помощью порождающих моделей)<br /> <br /> Большинство задач подходят одновременно и как курсовая для разных крусов., и как выпускная работа. Различие будет в масштабе проработки задачи. Например, в одном случае будет достаточно разобраться с библиотекой, воспроизвести алгоритм из статьи и провести его экспериментальную оценку. В другом случае, нужно будет его усовершенствовать. <br /> <br /> При работе с нейросетями в качестве основного инструмента я предлагаю использовать библиотеку Caffe, одну из самых популярных для нейросетей. Писать с нуля реализацию нейросетей не вижу большого смысла. С другой стороны, для порождающих моделей, опирающиеся на метод Монте-Карло в Марковских цепях, на данный момент нет столь же качественных библиотек. Поэтому придется реализовывать некоторые базовые процедуры или переписывать их, опираясь на реализации в других языках и пакетах. Так, например, порождающие модели (как часть интересной области &quot;вероятностного программирования&quot;) активно исследуются в MIT, реализованы на внутреннем языке Julia, и хакерскими костылями стыкуются с библиотеками на других языках, что делает их непригодными для широкого использования. В этой области есть возможность внести свой вклад в создание чего-то более востребованного, в т.ч. и получая консультации от авторов методов. <br /> <br /> Ещё один аспект. Ряд предложенных тем попадают в тематику гранта РФФИ &quot;Развитие новых методов глубинного обучения в задачах обучения по большим объемам данных&quot; (руководитель Дмитрий Петрович Ветров), участником которого являюсь я и мой аспирант. Выбрав соответствующую тему и хорошо себя проявив вы получаете возможность войти в исследовательский коллектив этого проекта. <br /> <br /> == Список тем == <br /> ==== Исследование нейросетевых архитектур на базе CIFAR (Evaluation of neural architectures on CIFAR) 2-3 ====<br /> ==== Исследование методов обучения нейросетевых архитектур (Evaluation of CNN training methods) 2-4 ====<br /> ==== Исследование процедуры пакетной нормализации при обучении нейросетей (Evaluation of batch normalization for CNN) 2-4 ====<br /> ==== Исследование параметров обучения нейросетевых каскадов (Evaluation of training parameters for neural cascade) 2-3 ====<br /> ==== Дистилляция нейросетей (Distilling neural networks) 2-4 ====<br /> ==== Определение марки и цвета автомобиля с помощью нейросетей ( Car type and color estimation with neural networks) 2-4 ====<br /> ==== Определение цвета одежды человека (Clothing color estimation) 2-4 ====<br /> ==== Нейросетевой детектор объектов (CNN-based object detector) 2-4 ====<br /> ==== Сегментация изображений на основе нейросетей (Image segmentation with CNN) 2-4 ====<br /> ==== Исследование рекуррентных нейросетей для описания изображений (Evaluation of RNN for image description) 2-4 ====<br /> ==== Исследование порождающих нейросетей для генерации изображений (Image synthesis with generative neural networks) 2-4 ====<br /> ==== Поиск изображений по содержанию (Content-based image retrieval) 3-4 ====<br /> ==== Аннотация персонажей в видео (Person annotation in video) 2-4 ====<br /> ==== Определение наличия голоса в аудиодорожке (Voice detection in audio stream) 2-4 ====<br /> ==== Распознавание персонажей по голосу в видеофильмах (Voice-based person recognition in movies) 2-4 ====<br /> ==== Разбор двухмерных сцен с помощью порождающих моделей (2D scene parsing with generative models) 2-3 ====<br /> ==== Разбор трёхмерных сцен с помощью порождающих моделей (3D scene parsing with generative models) 2-4 ====<br /> ==== Подсчёт и сопровождение людей с камеры Kinect (People counting and tracking with Kinect) 4 ====</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:Akonushin&diff=17281 2015-09-30T13:34:42Z

<p>Akonushin: /* Темы курсовых работ и ВКР */</p> <hr /> <div>Обо мне:<br /> * Конушин Антон Сергеевич<br /> * Доцент департамента больших данных и информационного поиска<br /> * Академический руководитель ОП &quot;Прикладная математика и информатика&quot;<br /> * Научные интересы: компьютерное зрение, машинное обучение, компьютерная графика<br /> <br /> <br /> = Темы курсовых работ и ВКР =<br /> <br /> <br /> <br /> ==== Исследование нейросетевых архитектур на базе CIFAR ==== <br /> * 2-3 курс<br /> * <br /> ==== Исследование методов обучения нейросетевых архитектур==== <br /> ==== Исследование процедуры пакетного обучения нейросетевых архитектур ====<br /> ==== Исследование параметров обучения нейросетевых каскадов==== <br /> ==== Дистилляция нейросетей ==== <br /> ==== Определение марки и цвета автомобиля с помощью нейросетей ==== <br /> ==== Определение цвета одежды человека ====<br /> ==== Нейросетевой детектор объектов ==== <br /> ==== Сегментация изображений на основе нейросетей ==== <br /> ==== Исследование рекуррентных нейросетей для описания изображений ====<br /> ==== Исследование порождающих нейросетей для генерации изображений ====<br /> ==== Поиск изображений по содержанию (Content-based image retrieval) ====<br /> <br /> ==== Аннотация персонажей в видео (Person annotation in video) ====<br /> ==== Определение наличия голоса в аудиодорожке ==== <br /> ==== Распознавание персонажей по голосу в видеофильмах (Voice-based person recognition in movies) ====<br /> <br /> <br /> <br /> <br /> ==== Порождающий подход в разборе 2-х мерных задач ====<br /> ==== Порождающий подход в разборе 3-х мерных задач ==== <br /> <br /> ==== Подсчёт и сопровождение людей с камеры Kinect (People counting and tracking with Kinect) ====</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:Akonushin&diff=17280 2015-09-30T11:14:27Z

<p>Akonushin: /* Темы курсовых работ и ВКР */</p> <hr /> <div>Обо мне:<br /> * Конушин Антон Сергеевич<br /> * Доцент департамента больших данных и информационного поиска<br /> * Академический руководитель ОП &quot;Прикладная математика и информатика&quot;<br /> * Научные интересы: компьютерное зрение, машинное обучение, компьютерная графика<br /> <br /> <br /> = Темы курсовых работ и ВКР =<br /> <br /> <br /> ==== Дистилляция нейросетей ====<br /> <br /> <br /> === Аннотация персонажей в видео (Person annotation in video) ===<br /> <br /> === Распознавание персонажей по голосу в видеофильмах (Voice-based person recognition in movies) ===<br /> <br /> === Подсчёт и сопровождение людей с камеры Kinect (People counting and tracking with Kinect) ===<br /> <br /> === Поиск изображений по содержанию (Content-based image retrieval) ===</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:Akonushin&diff=17279 2015-09-30T10:28:48Z

<p>Akonushin: /* Темы курсовых работ и ВКР */</p> <hr /> <div>Обо мне:<br /> * Конушин Антон Сергеевич<br /> * Доцент департамента больших данных и информационного поиска<br /> * Академический руководитель ОП &quot;Прикладная математика и информатика&quot;<br /> * Научные интересы: компьютерное зрение, машинное обучение, компьютерная графика<br /> <br /> <br /> = Темы курсовых работ и ВКР =<br /> <br /> <br /> === Аннотация персонажей в видео (Person annotation in video) ===<br /> <br /> === Распознавание персонажей по голосу в видеофильмах (Voice-based person recognition in movies) ===<br /> <br /> === Подсчёт и сопровождение людей с камеры Kinect (People counting and tracking with Kinect) ===<br /> <br /> === Поиск изображений по содержанию (Content-based image retrieval) ===</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:Akonushin&diff=17278 2015-09-30T10:15:09Z

<p>Akonushin: /* Темы курсовых работ и ВКР */</p> <hr /> <div>Обо мне:<br /> * Конушин Антон Сергеевич<br /> * Доцент департамента больших данных и информационного поиска<br /> * Академический руководитель ОП &quot;Прикладная математика и информатика&quot;<br /> * Научные интересы: компьютерное зрение, машинное обучение, компьютерная графика<br /> <br /> <br /> = Темы курсовых работ и ВКР =<br /> <br /> <br /> === Аннотация персонажей в видео (Person annotation in video) ===</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:Akonushin&diff=17277 2015-09-30T10:14:11Z

<p>Akonushin: Новая страница: «Обо мне: * Конушин Антон Сергеевич * Доцент департамента больших данных и информационног…»</p> <hr /> <div>Обо мне:<br /> * Конушин Антон Сергеевич<br /> * Доцент департамента больших данных и информационного поиска<br /> * Академический руководитель ОП &quot;Прикладная математика и информатика&quot;<br /> * Научные интересы: компьютерное зрение, машинное обучение, компьютерная графика<br /> <br /> <br /> = Темы курсовых работ и ВКР =</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%9E_%D1%84%D0%B0%D0%BA%D1%83%D0%BB%D1%8C%D1%82%D0%B5%D1%82%D0%B5&diff=17104 2015-09-04T18:05:20Z

<p>Akonushin: /* Факультет компьютерных наук НИУ ВШЭ */</p> <hr /> <div>__NOTOC__ <br /> <br /> == Учебные курсы факультета компьютерных наук==<br /> {|width=100%<br /> |style=&quot;vertical-align:top;&quot;|<br /> <br /> &lt;!-- Первая колонка --&gt;<br /> === Курсы за 2015/16 учебный год ===<br /> {|<br /> |-<br /> |[[ОиМП-2015|Основы и методология программирования]]<br /> |-<br /> |[[Линейная алгебра и геометрия]]<br /> |-<br /> |[[Алгебра]]<br /> |-<br /> |[[Компьютерные системы]]<br /> |-<br /> |[[Математический анализ]]<br /> |-<br /> |[[Факультатив_Матпрактикум | Матпрактикум (факультатив)]]<br /> |-<br /> |[[Майнор Интеллектуальный анализ данных]]&lt;br /&gt;<br /> |-<br /> |[[Майнор Интеллектуальный анализ данных/Введение в программирование|Введение в программирование (курс майнора)]]<br /> |}<br /> <br /> |style=&quot;vertical-align:top;&quot;|<br /> <br /> &lt;!-- Вторая колонка --&gt;<br /> === Курсы за 2014/15 учебный год ===<br /> {|<br /> |-<br /> |[[Основы и методологии программирования]]&lt;br /&gt;<br /> |-<br /> |[[Алгоритмы и структуры данных]]&lt;br /&gt;<br /> |-<br /> |[[Анализ данных (Программная инженерия)]]&lt;br /&gt;<br /> |-<br /> |[[Алгебра]]&lt;br /&gt;<br /> |-<br /> |[[Magolego_sna_2015| MAGoLEGO Social Network Analysis]]<br /> |}<br /> <br /> ==== Проектная работа ====<br /> {|<br /> |-<br /> |[[Проектная работа]] &lt;br /&gt;<br /> |-<br /> |[[Учебная практика 1 курс (2015)]]<br /> |}<br /> <br /> &lt;!-- Завершение двухколоночной таблицы --&gt;<br /> |}<br /> <br /> <br /> <br /> == Мероприятия факультета компьютерных наук ==<br /> === Summer School 2015 ===<br /> [[Introduction to Natural Language Processing|Introduction to Natural Language Processing]]<br /> #[[Lecture 1. Introduction|Introduction]]<br /> #[[Lecture 2. Tokenization and word counts|Tokenization and word counts]]<br /> #[[Lecture 3. POS tagging. Key word and phrase extraction|POS tagging. Key word and phrase extraction]]<br /> #[[Lecture 4. Parsing|Parsing]]<br /> #[[Lecture 5. Language sources|Language sources]]<br /> #[[Lecture 6. Synonyms and near-synonyms detection|Synonyms and near-synonyms detection]]<br /> #[[Lecture 8. Suffix trees for NLP|Suffix trees for NLP]]<br /> #[[NLP References|References]]</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B5%D0%B1%D0%BD%D0%B0%D1%8F_%D0%BF%D1%80%D0%B0%D0%BA%D1%82%D0%B8%D0%BA%D0%B0_1_%D0%BA%D1%83%D1%80%D1%81_(2015)&diff=16624 2015-05-29T18:11:07Z

<p>Akonushin: /* Алгоритм согласования и прохождения практики */</p> <hr /> <div>= Возможные варианты учебной практики = <br /> <br /> * Учебная работа под руководством потенциального научного руководителя (с возможным продолжением в курсовой на 2м курсе)<br /> * Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы<br /> * Преподавание в летней школе для школьников<br /> * Участие в летней школе <br /> * Сервисные проекты в учебном офисе и приёмной комиссии<br /> * Стажировка в компании<br /> <br /> == Учебная работа под руководством потенциального научного руководителя ==<br /> <br /> Первый вариант прохождения практики - это учебная или учебно-исследовательская работа под руководством будущего научного руководителя. В большинстве случаев первым этапом выполнения курсовой работы является знакомство с областью исследований, основными понятиями и методами. Учебная летняя практика позволяет начать эту работу летом и оценить, насколько вам интересна та или иная область. Если область интересна, в учебном году можно будет быстрее перейти к непосредственно исследовательской работе. Если неинтересна, то вы можете осенью выбрать другую тему работы.<br /> <br /> [https://docs.google.com/spreadsheets/d/19mA6vFNo73vFLE_qqkRlgIji7AYSoZHpxq7xWpjiShg/pubhtml?gid=0&amp;single=true Текущий список предлагаемых тем]опубликован и будет пополняться.<br /> <br /> Если вам нравится какая-то тема, то вы связываетесь с руководителем и заручаетесь его согласием быть руководителем вашей учебной практики, после чего заполняете анкету.<br /> <br /> == Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы ==<br /> Второй вариант - программный проект. Если вы хотите продолжить свой программный проект или взять новый проект, то вы смотрите [http://wiki.cs.hse.ru/%D0%9F%D1%80%D0%BE%D0%B5%D0%BA%D1%82%D0%BD%D0%B0%D1%8F_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%B0 список руководителей], выбираете интересующего вас, и договариваетесь с ним о теме. Руководителем проекта может быть как один из менторов весенней проектной работы, так и другой человек, например, преподаватель семинара по программированию.<br /> <br /> == Преподавание в летней школе для школьников ==<br /> Если вы летом принимаете участие в летней школе для школьников, где преподаёте им математику или информатику, то это замечательно! Вы можете зачесть такое участие как учебную практику. Для этого вам потребуется сообщить, на какую школу и когда вы едете, указать контактное лицо и заручиться тем, чтобы организаторы подписали подробный отзыв о вашей работе.<br /> <br /> == Участие в летней школе == <br /> Участие в летней школе по математике или информатике может засчитываться за учебную практику. Выбор школы/конференции нужно согласовать с академическим руководителем программы. По итогам школы нужно будет написать и представить подробный отчёт о рассмотренных на школе темах (~8 страниц).<br /> <br /> == Сервисные проекты в учебном офисе и приёмной комиссии ==<br /> Большую помощь можно оказать факультету приняв участие в сервисном проекте - приёмной комиссия, приняв участие в приёмной кампании на Мясницкой (общаясь с абитуриентами и убеждая их подать документы на наш факультет. Руководителями сервисных проектов выступают Татьяна Пак и Маргарита Власенко.<br /> <br /> == Практику в компании ==<br /> Можно выбрать и &quot;внешний&quot; вариант практики - практику в компании. Этот вид практики рассматривается и одобряется индивидуально академическим руководителем. Для рассмотрения вашей заявки нужно указать организацию, время прохождения практики, руководителя практики от организации, содержание практики. Практика в компании должна быть строго по направлению факультета.<br /> <br /> = Алгоритм согласования и прохождения практики =<br /> * Изучаете и выбираете вариант практики<br /> * Согласовываете свою практику с руководителем практики<br /> * В случае желания выбрать участие в летней школе или практику в компании согласовываете её с академическим руководителем<br /> * Заполняете [https://docs.google.com/forms/d/1wSnPDXIxOWFqccNnrVgj6jB1pmEE4jRWSC0ld1dTpEc/viewform?usp=send_form онлайн-анкету] о практике <br /> * К 15 июня 2015 г. подаёте задание на практику в учебный офис. <br /> * В июле-августе проходите практику<br /> * До 7 сентября 2015 г. нужно сдать Отчёт по практике и Отзыв руководителя практики<br /> <br /> Шаблоны документов можно взять на сайте http://www.hse.ru/ba/ami/practiceami</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B5%D0%B1%D0%BD%D0%B0%D1%8F_%D0%BF%D1%80%D0%B0%D0%BA%D1%82%D0%B8%D0%BA%D0%B0_1_%D0%BA%D1%83%D1%80%D1%81_(2015)&diff=16623 2015-05-29T18:10:23Z

<p>Akonushin: </p> <hr /> <div>= Возможные варианты учебной практики = <br /> <br /> * Учебная работа под руководством потенциального научного руководителя (с возможным продолжением в курсовой на 2м курсе)<br /> * Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы<br /> * Преподавание в летней школе для школьников<br /> * Участие в летней школе <br /> * Сервисные проекты в учебном офисе и приёмной комиссии<br /> * Стажировка в компании<br /> <br /> == Учебная работа под руководством потенциального научного руководителя ==<br /> <br /> Первый вариант прохождения практики - это учебная или учебно-исследовательская работа под руководством будущего научного руководителя. В большинстве случаев первым этапом выполнения курсовой работы является знакомство с областью исследований, основными понятиями и методами. Учебная летняя практика позволяет начать эту работу летом и оценить, насколько вам интересна та или иная область. Если область интересна, в учебном году можно будет быстрее перейти к непосредственно исследовательской работе. Если неинтересна, то вы можете осенью выбрать другую тему работы.<br /> <br /> [https://docs.google.com/spreadsheets/d/19mA6vFNo73vFLE_qqkRlgIji7AYSoZHpxq7xWpjiShg/pubhtml?gid=0&amp;single=true Текущий список предлагаемых тем]опубликован и будет пополняться.<br /> <br /> Если вам нравится какая-то тема, то вы связываетесь с руководителем и заручаетесь его согласием быть руководителем вашей учебной практики, после чего заполняете анкету.<br /> <br /> == Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы ==<br /> Второй вариант - программный проект. Если вы хотите продолжить свой программный проект или взять новый проект, то вы смотрите [http://wiki.cs.hse.ru/%D0%9F%D1%80%D0%BE%D0%B5%D0%BA%D1%82%D0%BD%D0%B0%D1%8F_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%B0 список руководителей], выбираете интересующего вас, и договариваетесь с ним о теме. Руководителем проекта может быть как один из менторов весенней проектной работы, так и другой человек, например, преподаватель семинара по программированию.<br /> <br /> == Преподавание в летней школе для школьников ==<br /> Если вы летом принимаете участие в летней школе для школьников, где преподаёте им математику или информатику, то это замечательно! Вы можете зачесть такое участие как учебную практику. Для этого вам потребуется сообщить, на какую школу и когда вы едете, указать контактное лицо и заручиться тем, чтобы организаторы подписали подробный отзыв о вашей работе.<br /> <br /> == Участие в летней школе == <br /> Участие в летней школе по математике или информатике может засчитываться за учебную практику. Выбор школы/конференции нужно согласовать с академическим руководителем программы. По итогам школы нужно будет написать и представить подробный отчёт о рассмотренных на школе темах (~8 страниц).<br /> <br /> == Сервисные проекты в учебном офисе и приёмной комиссии ==<br /> Большую помощь можно оказать факультету приняв участие в сервисном проекте - приёмной комиссия, приняв участие в приёмной кампании на Мясницкой (общаясь с абитуриентами и убеждая их подать документы на наш факультет. Руководителями сервисных проектов выступают Татьяна Пак и Маргарита Власенко.<br /> <br /> == Практику в компании ==<br /> Можно выбрать и &quot;внешний&quot; вариант практики - практику в компании. Этот вид практики рассматривается и одобряется индивидуально академическим руководителем. Для рассмотрения вашей заявки нужно указать организацию, время прохождения практики, руководителя практики от организации, содержание практики. Практика в компании должна быть строго по направлению факультета.<br /> <br /> = Алгоритм согласования и прохождения практики =<br /> * Изучаете и выбираете вариант практики<br /> * Согласовываете свою практику с руководителем практики<br /> * В случае желания выбрать участие в летней школе или практику в компании согласовываете её с академическим руководителем<br /> * Заполняете онлайн-анкету о практике<br /> * К 15 июня 2015 г. подаёте задание на практику в учебный офис. <br /> * В июле-августе проходите практику<br /> * До 7 сентября 2015 г. нужно сдать Отчёт по практике и Отзыв руководителя практики<br /> <br /> Шаблоны документов можно взять на сайте http://www.hse.ru/ba/ami/practiceami</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B5%D0%B1%D0%BD%D0%B0%D1%8F_%D0%BF%D1%80%D0%B0%D0%BA%D1%82%D0%B8%D0%BA%D0%B0_1_%D0%BA%D1%83%D1%80%D1%81_(2015)&diff=16622 2015-05-29T18:04:36Z

<p>Akonushin: /* Стажировка в компании */</p> <hr /> <div>(TODO: Всё аккуратно дописать))<br /> <br /> = Возможные варианты учебной практики = <br /> <br /> * Учебная работа под руководством потенциального научного руководителя (с возможным продолжением в курсовой на 2м курсе)<br /> * Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы<br /> * Преподавание в летней школе для школьников<br /> * Участие в летней школе <br /> * Сервисные проекты в учебном офисе и приёмной комиссии<br /> * Стажировка в компании<br /> <br /> == Учебная работа под руководством потенциального научного руководителя ==<br /> <br /> Первый вариант прохождения практики - это учебная или учебно-исследовательская работа под руководством будущего научного руководителя. В большинстве случаев первым этапом выполнения курсовой работы является знакомство с областью исследований, основными понятиями и методами. Учебная летняя практика позволяет начать эту работу летом и оценить, насколько вам интересна та или иная область. Если область интересна, в учебном году можно будет быстрее перейти к непосредственно исследовательской работе. Если неинтересна, то вы можете осенью выбрать другую тему работы.<br /> <br /> [https://docs.google.com/spreadsheets/d/19mA6vFNo73vFLE_qqkRlgIji7AYSoZHpxq7xWpjiShg/pubhtml?gid=0&amp;single=true Текущий список предлагаемых тем]опубликован и будет пополняться.<br /> <br /> Если вам нравится какая-то тема, то вы связываетесь с руководителем и заручаетесь его согласием быть руководителем вашей учебной практики, после чего заполняете анкету.<br /> <br /> == Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы ==<br /> Второй вариант - программный проект. Если вы хотите продолжить свой программный проект или взять новый проект, то вы смотрите [http://wiki.cs.hse.ru/%D0%9F%D1%80%D0%BE%D0%B5%D0%BA%D1%82%D0%BD%D0%B0%D1%8F_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%B0 список руководителей], выбираете интересующего вас, и договариваетесь с ним о теме. Руководителем проекта может быть как один из менторов весенней проектной работы, так и другой человек, например, преподаватель семинара по программированию.<br /> <br /> == Преподавание в летней школе для школьников ==<br /> Если вы летом принимаете участие в летней школе для школьников, где преподаёте им математику или информатику, то это замечательно! Вы можете зачесть такое участие как учебную практику. Для этого вам потребуется сообщить, на какую школу и когда вы едете, указать контактное лицо и заручиться тем, чтобы организаторы подписали подробный отзыв о вашей работе.<br /> <br /> == Участие в летней школе == <br /> Участие в летней школе по математике или информатике может засчитываться за учебную практику. Выбор школы/конференции нужно согласовать с академическим руководителем программы. По итогам школы нужно будет написать и представить подробный отчёт о рассмотренных на школе темах (~8 страниц).<br /> <br /> == Сервисные проекты в учебном офисе и приёмной комиссии ==<br /> Большую помощь можно оказать факультету приняв участие в сервисном проекте - приёмной комиссия, приняв участие в приёмной кампании на Мясницкой (общаясь с абитуриентами и убеждая их подать документы на наш факультет. Руководителями сервисных проектов выступают Татьяна Пак и Маргарита Власенко.<br /> <br /> == Стажировка в компании ==<br /> Можно выбрать и &quot;внешний&quot; вариант практики - практику в компании. Этот вид практики рассматривается и одобряется индивидуально академическим руководителем. Для рассмотрения вашей заявки нужно указать организацию, время прохождения практики, руководителя практики от организации, содержание практики. Практика в компании должна быть строго по направлению факультета.</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B5%D0%B1%D0%BD%D0%B0%D1%8F_%D0%BF%D1%80%D0%B0%D0%BA%D1%82%D0%B8%D0%BA%D0%B0_1_%D0%BA%D1%83%D1%80%D1%81_(2015)&diff=16621 2015-05-29T18:02:37Z

<p>Akonushin: /* Сервисные проекты в учебном офисе и приёмной комиссии */</p> <hr /> <div>(TODO: Всё аккуратно дописать))<br /> <br /> = Возможные варианты учебной практики = <br /> <br /> * Учебная работа под руководством потенциального научного руководителя (с возможным продолжением в курсовой на 2м курсе)<br /> * Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы<br /> * Преподавание в летней школе для школьников<br /> * Участие в летней школе <br /> * Сервисные проекты в учебном офисе и приёмной комиссии<br /> * Стажировка в компании<br /> <br /> == Учебная работа под руководством потенциального научного руководителя ==<br /> <br /> Первый вариант прохождения практики - это учебная или учебно-исследовательская работа под руководством будущего научного руководителя. В большинстве случаев первым этапом выполнения курсовой работы является знакомство с областью исследований, основными понятиями и методами. Учебная летняя практика позволяет начать эту работу летом и оценить, насколько вам интересна та или иная область. Если область интересна, в учебном году можно будет быстрее перейти к непосредственно исследовательской работе. Если неинтересна, то вы можете осенью выбрать другую тему работы.<br /> <br /> [https://docs.google.com/spreadsheets/d/19mA6vFNo73vFLE_qqkRlgIji7AYSoZHpxq7xWpjiShg/pubhtml?gid=0&amp;single=true Текущий список предлагаемых тем]опубликован и будет пополняться.<br /> <br /> Если вам нравится какая-то тема, то вы связываетесь с руководителем и заручаетесь его согласием быть руководителем вашей учебной практики, после чего заполняете анкету.<br /> <br /> == Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы ==<br /> Второй вариант - программный проект. Если вы хотите продолжить свой программный проект или взять новый проект, то вы смотрите [http://wiki.cs.hse.ru/%D0%9F%D1%80%D0%BE%D0%B5%D0%BA%D1%82%D0%BD%D0%B0%D1%8F_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%B0 список руководителей], выбираете интересующего вас, и договариваетесь с ним о теме. Руководителем проекта может быть как один из менторов весенней проектной работы, так и другой человек, например, преподаватель семинара по программированию.<br /> <br /> == Преподавание в летней школе для школьников ==<br /> Если вы летом принимаете участие в летней школе для школьников, где преподаёте им математику или информатику, то это замечательно! Вы можете зачесть такое участие как учебную практику. Для этого вам потребуется сообщить, на какую школу и когда вы едете, указать контактное лицо и заручиться тем, чтобы организаторы подписали подробный отзыв о вашей работе.<br /> <br /> == Участие в летней школе == <br /> Участие в летней школе по математике или информатике может засчитываться за учебную практику. Выбор школы/конференции нужно согласовать с академическим руководителем программы. По итогам школы нужно будет написать и представить подробный отчёт о рассмотренных на школе темах (~8 страниц).<br /> <br /> == Сервисные проекты в учебном офисе и приёмной комиссии ==<br /> Большую помощь можно оказать факультету приняв участие в сервисном проекте - приёмной комиссия, приняв участие в приёмной кампании на Мясницкой (общаясь с абитуриентами и убеждая их подать документы на наш факультет. Руководителями сервисных проектов выступают Татьяна Пак и Маргарита Власенко.<br /> <br /> == Стажировка в компании ==<br /> <br /> Стажировка в компании<br /> Стажировки бывают разные: <br /> внесезонные<br /> летние<br /> Практика в компании<br /> Путеводитель по стажировкам</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B5%D0%B1%D0%BD%D0%B0%D1%8F_%D0%BF%D1%80%D0%B0%D0%BA%D1%82%D0%B8%D0%BA%D0%B0_1_%D0%BA%D1%83%D1%80%D1%81_(2015)&diff=16620 2015-05-29T17:56:01Z

<p>Akonushin: /* Участие в летней школе */</p> <hr /> <div>(TODO: Всё аккуратно дописать))<br /> <br /> = Возможные варианты учебной практики = <br /> <br /> * Учебная работа под руководством потенциального научного руководителя (с возможным продолжением в курсовой на 2м курсе)<br /> * Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы<br /> * Преподавание в летней школе для школьников<br /> * Участие в летней школе <br /> * Сервисные проекты в учебном офисе и приёмной комиссии<br /> * Стажировка в компании<br /> <br /> == Учебная работа под руководством потенциального научного руководителя ==<br /> <br /> Первый вариант прохождения практики - это учебная или учебно-исследовательская работа под руководством будущего научного руководителя. В большинстве случаев первым этапом выполнения курсовой работы является знакомство с областью исследований, основными понятиями и методами. Учебная летняя практика позволяет начать эту работу летом и оценить, насколько вам интересна та или иная область. Если область интересна, в учебном году можно будет быстрее перейти к непосредственно исследовательской работе. Если неинтересна, то вы можете осенью выбрать другую тему работы.<br /> <br /> [https://docs.google.com/spreadsheets/d/19mA6vFNo73vFLE_qqkRlgIji7AYSoZHpxq7xWpjiShg/pubhtml?gid=0&amp;single=true Текущий список предлагаемых тем]опубликован и будет пополняться.<br /> <br /> Если вам нравится какая-то тема, то вы связываетесь с руководителем и заручаетесь его согласием быть руководителем вашей учебной практики, после чего заполняете анкету.<br /> <br /> == Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы ==<br /> Второй вариант - программный проект. Если вы хотите продолжить свой программный проект или взять новый проект, то вы смотрите [http://wiki.cs.hse.ru/%D0%9F%D1%80%D0%BE%D0%B5%D0%BA%D1%82%D0%BD%D0%B0%D1%8F_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%B0 список руководителей], выбираете интересующего вас, и договариваетесь с ним о теме. Руководителем проекта может быть как один из менторов весенней проектной работы, так и другой человек, например, преподаватель семинара по программированию.<br /> <br /> == Преподавание в летней школе для школьников ==<br /> Если вы летом принимаете участие в летней школе для школьников, где преподаёте им математику или информатику, то это замечательно! Вы можете зачесть такое участие как учебную практику. Для этого вам потребуется сообщить, на какую школу и когда вы едете, указать контактное лицо и заручиться тем, чтобы организаторы подписали подробный отзыв о вашей работе.<br /> <br /> == Участие в летней школе == <br /> Участие в летней школе по математике или информатике может засчитываться за учебную практику. Выбор школы/конференции нужно согласовать с академическим руководителем программы. По итогам школы нужно будет написать и представить подробный отчёт о рассмотренных на школе темах (~8 страниц).<br /> <br /> == Сервисные проекты в учебном офисе и приёмной комиссии ==<br /> <br /> учебный офис (Т. Пак) <br /> Июль: создание архива Программы<br /> Август: приемная кампания<br /> приемная комиссия (М. Власенко)<br /> <br /> == Стажировка в компании ==<br /> <br /> Стажировка в компании<br /> Стажировки бывают разные: <br /> внесезонные<br /> летние<br /> Практика в компании<br /> Путеводитель по стажировкам</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B5%D0%B1%D0%BD%D0%B0%D1%8F_%D0%BF%D1%80%D0%B0%D0%BA%D1%82%D0%B8%D0%BA%D0%B0_1_%D0%BA%D1%83%D1%80%D1%81_(2015)&diff=16619 2015-05-29T17:53:11Z

<p>Akonushin: /* Преподавание в летней школе для школьников */</p> <hr /> <div>(TODO: Всё аккуратно дописать))<br /> <br /> = Возможные варианты учебной практики = <br /> <br /> * Учебная работа под руководством потенциального научного руководителя (с возможным продолжением в курсовой на 2м курсе)<br /> * Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы<br /> * Преподавание в летней школе для школьников<br /> * Участие в летней школе <br /> * Сервисные проекты в учебном офисе и приёмной комиссии<br /> * Стажировка в компании<br /> <br /> == Учебная работа под руководством потенциального научного руководителя ==<br /> <br /> Первый вариант прохождения практики - это учебная или учебно-исследовательская работа под руководством будущего научного руководителя. В большинстве случаев первым этапом выполнения курсовой работы является знакомство с областью исследований, основными понятиями и методами. Учебная летняя практика позволяет начать эту работу летом и оценить, насколько вам интересна та или иная область. Если область интересна, в учебном году можно будет быстрее перейти к непосредственно исследовательской работе. Если неинтересна, то вы можете осенью выбрать другую тему работы.<br /> <br /> [https://docs.google.com/spreadsheets/d/19mA6vFNo73vFLE_qqkRlgIji7AYSoZHpxq7xWpjiShg/pubhtml?gid=0&amp;single=true Текущий список предлагаемых тем]опубликован и будет пополняться.<br /> <br /> Если вам нравится какая-то тема, то вы связываетесь с руководителем и заручаетесь его согласием быть руководителем вашей учебной практики, после чего заполняете анкету.<br /> <br /> == Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы ==<br /> Второй вариант - программный проект. Если вы хотите продолжить свой программный проект или взять новый проект, то вы смотрите [http://wiki.cs.hse.ru/%D0%9F%D1%80%D0%BE%D0%B5%D0%BA%D1%82%D0%BD%D0%B0%D1%8F_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%B0 список руководителей], выбираете интересующего вас, и договариваетесь с ним о теме. Руководителем проекта может быть как один из менторов весенней проектной работы, так и другой человек, например, преподаватель семинара по программированию.<br /> <br /> == Преподавание в летней школе для школьников ==<br /> Если вы летом принимаете участие в летней школе для школьников, где преподаёте им математику или информатику, то это замечательно! Вы можете зачесть такое участие как учебную практику. Для этого вам потребуется сообщить, на какую школу и когда вы едете, указать контактное лицо и заручиться тем, чтобы организаторы подписали подробный отзыв о вашей работе.<br /> <br /> == Участие в летней школе == <br /> <br /> Школы иностранных языков не<br /> учитываются<br /> Выбор школы / конференции надо<br /> согласовать <br /> Очень Большой Отчет ( ~8 страниц)<br /> <br /> == Сервисные проекты в учебном офисе и приёмной комиссии ==<br /> <br /> учебный офис (Т. Пак) <br /> Июль: создание архива Программы<br /> Август: приемная кампания<br /> приемная комиссия (М. Власенко)<br /> <br /> == Стажировка в компании ==<br /> <br /> Стажировка в компании<br /> Стажировки бывают разные: <br /> внесезонные<br /> летние<br /> Практика в компании<br /> Путеводитель по стажировкам</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B5%D0%B1%D0%BD%D0%B0%D1%8F_%D0%BF%D1%80%D0%B0%D0%BA%D1%82%D0%B8%D0%BA%D0%B0_1_%D0%BA%D1%83%D1%80%D1%81_(2015)&diff=16618 2015-05-29T17:38:46Z

<p>Akonushin: /* Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы */</p> <hr /> <div>(TODO: Всё аккуратно дописать))<br /> <br /> = Возможные варианты учебной практики = <br /> <br /> * Учебная работа под руководством потенциального научного руководителя (с возможным продолжением в курсовой на 2м курсе)<br /> * Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы<br /> * Преподавание в летней школе для школьников<br /> * Участие в летней школе <br /> * Сервисные проекты в учебном офисе и приёмной комиссии<br /> * Стажировка в компании<br /> <br /> == Учебная работа под руководством потенциального научного руководителя ==<br /> <br /> Первый вариант прохождения практики - это учебная или учебно-исследовательская работа под руководством будущего научного руководителя. В большинстве случаев первым этапом выполнения курсовой работы является знакомство с областью исследований, основными понятиями и методами. Учебная летняя практика позволяет начать эту работу летом и оценить, насколько вам интересна та или иная область. Если область интересна, в учебном году можно будет быстрее перейти к непосредственно исследовательской работе. Если неинтересна, то вы можете осенью выбрать другую тему работы.<br /> <br /> [https://docs.google.com/spreadsheets/d/19mA6vFNo73vFLE_qqkRlgIji7AYSoZHpxq7xWpjiShg/pubhtml?gid=0&amp;single=true Текущий список предлагаемых тем]опубликован и будет пополняться.<br /> <br /> Если вам нравится какая-то тема, то вы связываетесь с руководителем и заручаетесь его согласием быть руководителем вашей учебной практики, после чего заполняете анкету.<br /> <br /> == Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы ==<br /> Второй вариант - программный проект. Если вы хотите продолжить свой программный проект или взять новый проект, то вы смотрите [http://wiki.cs.hse.ru/%D0%9F%D1%80%D0%BE%D0%B5%D0%BA%D1%82%D0%BD%D0%B0%D1%8F_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%B0 список руководителей], выбираете интересующего вас, и договариваетесь с ним о теме. Руководителем проекта может быть как один из менторов весенней проектной работы, так и другой человек, например, преподаватель семинара по программированию.<br /> <br /> == Преподавание в летней школе для школьников ==<br /> <br /> Выбор летней школы надо согласовать<br /> Нагрузка должна быть достаточно<br /> объемной<br /> Очень Большой Отзыв Организаторов<br /> <br /> == Участие в летней школе == <br /> <br /> Школы иностранных языков не<br /> учитываются<br /> Выбор школы / конференции надо<br /> согласовать <br /> Очень Большой Отчет ( ~8 страниц)<br /> <br /> == Сервисные проекты в учебном офисе и приёмной комиссии ==<br /> <br /> учебный офис (Т. Пак) <br /> Июль: создание архива Программы<br /> Август: приемная кампания<br /> приемная комиссия (М. Власенко)<br /> <br /> == Стажировка в компании ==<br /> <br /> Стажировка в компании<br /> Стажировки бывают разные: <br /> внесезонные<br /> летние<br /> Практика в компании<br /> Путеводитель по стажировкам</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B5%D0%B1%D0%BD%D0%B0%D1%8F_%D0%BF%D1%80%D0%B0%D0%BA%D1%82%D0%B8%D0%BA%D0%B0_1_%D0%BA%D1%83%D1%80%D1%81_(2015)&diff=16617 2015-05-29T17:37:49Z

<p>Akonushin: /* Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы */</p> <hr /> <div>(TODO: Всё аккуратно дописать))<br /> <br /> = Возможные варианты учебной практики = <br /> <br /> * Учебная работа под руководством потенциального научного руководителя (с возможным продолжением в курсовой на 2м курсе)<br /> * Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы<br /> * Преподавание в летней школе для школьников<br /> * Участие в летней школе <br /> * Сервисные проекты в учебном офисе и приёмной комиссии<br /> * Стажировка в компании<br /> <br /> == Учебная работа под руководством потенциального научного руководителя ==<br /> <br /> Первый вариант прохождения практики - это учебная или учебно-исследовательская работа под руководством будущего научного руководителя. В большинстве случаев первым этапом выполнения курсовой работы является знакомство с областью исследований, основными понятиями и методами. Учебная летняя практика позволяет начать эту работу летом и оценить, насколько вам интересна та или иная область. Если область интересна, в учебном году можно будет быстрее перейти к непосредственно исследовательской работе. Если неинтересна, то вы можете осенью выбрать другую тему работы.<br /> <br /> [https://docs.google.com/spreadsheets/d/19mA6vFNo73vFLE_qqkRlgIji7AYSoZHpxq7xWpjiShg/pubhtml?gid=0&amp;single=true Текущий список предлагаемых тем]опубликован и будет пополняться.<br /> <br /> Если вам нравится какая-то тема, то вы связываетесь с руководителем и заручаетесь его согласием быть руководителем вашей учебной практики, после чего заполняете анкету.<br /> <br /> == Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы ==<br /> Второй вариант - программный проект. Если вы хотите продолжить свой программный проект или взять новый проект, то вы смотрите [http://wiki.cs.hse.ru/%D0%9F%D1%80%D0%BE%D0%B5%D0%BA%D1%82%D0%BD%D0%B0%D1%8F_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%B0 список руководителей] и договариваетесь с ним о теме. Руководителем проекта может быть и, например, преподаватель семинара по программированию.<br /> <br /> == Преподавание в летней школе для школьников ==<br /> <br /> Выбор летней школы надо согласовать<br /> Нагрузка должна быть достаточно<br /> объемной<br /> Очень Большой Отзыв Организаторов<br /> <br /> == Участие в летней школе == <br /> <br /> Школы иностранных языков не<br /> учитываются<br /> Выбор школы / конференции надо<br /> согласовать <br /> Очень Большой Отчет ( ~8 страниц)<br /> <br /> == Сервисные проекты в учебном офисе и приёмной комиссии ==<br /> <br /> учебный офис (Т. Пак) <br /> Июль: создание архива Программы<br /> Август: приемная кампания<br /> приемная комиссия (М. Власенко)<br /> <br /> == Стажировка в компании ==<br /> <br /> Стажировка в компании<br /> Стажировки бывают разные: <br /> внесезонные<br /> летние<br /> Практика в компании<br /> Путеводитель по стажировкам</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B5%D0%B1%D0%BD%D0%B0%D1%8F_%D0%BF%D1%80%D0%B0%D0%BA%D1%82%D0%B8%D0%BA%D0%B0_1_%D0%BA%D1%83%D1%80%D1%81_(2015)&diff=16616 2015-05-29T17:37:39Z

<p>Akonushin: /* Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы */</p> <hr /> <div>(TODO: Всё аккуратно дописать))<br /> <br /> = Возможные варианты учебной практики = <br /> <br /> * Учебная работа под руководством потенциального научного руководителя (с возможным продолжением в курсовой на 2м курсе)<br /> * Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы<br /> * Преподавание в летней школе для школьников<br /> * Участие в летней школе <br /> * Сервисные проекты в учебном офисе и приёмной комиссии<br /> * Стажировка в компании<br /> <br /> == Учебная работа под руководством потенциального научного руководителя ==<br /> <br /> Первый вариант прохождения практики - это учебная или учебно-исследовательская работа под руководством будущего научного руководителя. В большинстве случаев первым этапом выполнения курсовой работы является знакомство с областью исследований, основными понятиями и методами. Учебная летняя практика позволяет начать эту работу летом и оценить, насколько вам интересна та или иная область. Если область интересна, в учебном году можно будет быстрее перейти к непосредственно исследовательской работе. Если неинтересна, то вы можете осенью выбрать другую тему работы.<br /> <br /> [https://docs.google.com/spreadsheets/d/19mA6vFNo73vFLE_qqkRlgIji7AYSoZHpxq7xWpjiShg/pubhtml?gid=0&amp;single=true Текущий список предлагаемых тем]опубликован и будет пополняться.<br /> <br /> Если вам нравится какая-то тема, то вы связываетесь с руководителем и заручаетесь его согласием быть руководителем вашей учебной практики, после чего заполняете анкету.<br /> <br /> == Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы ==<br /> Второй вариант - программный проект. Если вы хотите продолжить свой программный проект или взять новый проект, то вы смотрите [http://wiki.cs.hse.ru/%D0%9F%D1%80%D0%BE%D0%B5%D0%BA%D1%82%D0%BD%D0%B0%D1%8F_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%B0 | список руководителей] и договариваетесь с ним о теме. Руководителем проекта может быть и, например, преподаватель семинара по программированию.<br /> <br /> == Преподавание в летней школе для школьников ==<br /> <br /> Выбор летней школы надо согласовать<br /> Нагрузка должна быть достаточно<br /> объемной<br /> Очень Большой Отзыв Организаторов<br /> <br /> == Участие в летней школе == <br /> <br /> Школы иностранных языков не<br /> учитываются<br /> Выбор школы / конференции надо<br /> согласовать <br /> Очень Большой Отчет ( ~8 страниц)<br /> <br /> == Сервисные проекты в учебном офисе и приёмной комиссии ==<br /> <br /> учебный офис (Т. Пак) <br /> Июль: создание архива Программы<br /> Август: приемная кампания<br /> приемная комиссия (М. Власенко)<br /> <br /> == Стажировка в компании ==<br /> <br /> Стажировка в компании<br /> Стажировки бывают разные: <br /> внесезонные<br /> летние<br /> Практика в компании<br /> Путеводитель по стажировкам</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B5%D0%B1%D0%BD%D0%B0%D1%8F_%D0%BF%D1%80%D0%B0%D0%BA%D1%82%D0%B8%D0%BA%D0%B0_1_%D0%BA%D1%83%D1%80%D1%81_(2015)&diff=16615 2015-05-29T17:37:30Z

<p>Akonushin: /* Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы */</p> <hr /> <div>(TODO: Всё аккуратно дописать))<br /> <br /> = Возможные варианты учебной практики = <br /> <br /> * Учебная работа под руководством потенциального научного руководителя (с возможным продолжением в курсовой на 2м курсе)<br /> * Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы<br /> * Преподавание в летней школе для школьников<br /> * Участие в летней школе <br /> * Сервисные проекты в учебном офисе и приёмной комиссии<br /> * Стажировка в компании<br /> <br /> == Учебная работа под руководством потенциального научного руководителя ==<br /> <br /> Первый вариант прохождения практики - это учебная или учебно-исследовательская работа под руководством будущего научного руководителя. В большинстве случаев первым этапом выполнения курсовой работы является знакомство с областью исследований, основными понятиями и методами. Учебная летняя практика позволяет начать эту работу летом и оценить, насколько вам интересна та или иная область. Если область интересна, в учебном году можно будет быстрее перейти к непосредственно исследовательской работе. Если неинтересна, то вы можете осенью выбрать другую тему работы.<br /> <br /> [https://docs.google.com/spreadsheets/d/19mA6vFNo73vFLE_qqkRlgIji7AYSoZHpxq7xWpjiShg/pubhtml?gid=0&amp;single=true Текущий список предлагаемых тем]опубликован и будет пополняться.<br /> <br /> Если вам нравится какая-то тема, то вы связываетесь с руководителем и заручаетесь его согласием быть руководителем вашей учебной практики, после чего заполняете анкету.<br /> <br /> == Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы ==<br /> Второй вариант - программный проект. Если вы хотите продолжить свой программный проект или взять новый проект, то вы смотрите [[http://wiki.cs.hse.ru/%D0%9F%D1%80%D0%BE%D0%B5%D0%BA%D1%82%D0%BD%D0%B0%D1%8F_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%B0 | список руководителей]] и договариваетесь с ним о теме. Руководителем проекта может быть и, например, преподаватель семинара по программированию.<br /> <br /> == Преподавание в летней школе для школьников ==<br /> <br /> Выбор летней школы надо согласовать<br /> Нагрузка должна быть достаточно<br /> объемной<br /> Очень Большой Отзыв Организаторов<br /> <br /> == Участие в летней школе == <br /> <br /> Школы иностранных языков не<br /> учитываются<br /> Выбор школы / конференции надо<br /> согласовать <br /> Очень Большой Отчет ( ~8 страниц)<br /> <br /> == Сервисные проекты в учебном офисе и приёмной комиссии ==<br /> <br /> учебный офис (Т. Пак) <br /> Июль: создание архива Программы<br /> Август: приемная кампания<br /> приемная комиссия (М. Власенко)<br /> <br /> == Стажировка в компании ==<br /> <br /> Стажировка в компании<br /> Стажировки бывают разные: <br /> внесезонные<br /> летние<br /> Практика в компании<br /> Путеводитель по стажировкам</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B5%D0%B1%D0%BD%D0%B0%D1%8F_%D0%BF%D1%80%D0%B0%D0%BA%D1%82%D0%B8%D0%BA%D0%B0_1_%D0%BA%D1%83%D1%80%D1%81_(2015)&diff=16614 2015-05-29T17:37:02Z

<p>Akonushin: /* Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы */</p> <hr /> <div>(TODO: Всё аккуратно дописать))<br /> <br /> = Возможные варианты учебной практики = <br /> <br /> * Учебная работа под руководством потенциального научного руководителя (с возможным продолжением в курсовой на 2м курсе)<br /> * Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы<br /> * Преподавание в летней школе для школьников<br /> * Участие в летней школе <br /> * Сервисные проекты в учебном офисе и приёмной комиссии<br /> * Стажировка в компании<br /> <br /> == Учебная работа под руководством потенциального научного руководителя ==<br /> <br /> Первый вариант прохождения практики - это учебная или учебно-исследовательская работа под руководством будущего научного руководителя. В большинстве случаев первым этапом выполнения курсовой работы является знакомство с областью исследований, основными понятиями и методами. Учебная летняя практика позволяет начать эту работу летом и оценить, насколько вам интересна та или иная область. Если область интересна, в учебном году можно будет быстрее перейти к непосредственно исследовательской работе. Если неинтересна, то вы можете осенью выбрать другую тему работы.<br /> <br /> [https://docs.google.com/spreadsheets/d/19mA6vFNo73vFLE_qqkRlgIji7AYSoZHpxq7xWpjiShg/pubhtml?gid=0&amp;single=true Текущий список предлагаемых тем]опубликован и будет пополняться.<br /> <br /> Если вам нравится какая-то тема, то вы связываетесь с руководителем и заручаетесь его согласием быть руководителем вашей учебной практики, после чего заполняете анкету.<br /> <br /> == Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы ==<br /> Второй вариант - программный проект. Если вы хотите продолжить свой программный проект или взять новый проект, то вы смотрите [[http://wiki.cs.hse.ru/%D0%9F%D1%80%D0%BE%D0%B5%D0%BA%D1%82%D0%BD%D0%B0%D1%8F_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%B0 | список руководителей ]] и договариваетесь с ним о теме. Руководителем проекта может быть и, например, преподаватель семинара по программированию.<br /> <br /> == Преподавание в летней школе для школьников ==<br /> <br /> Выбор летней школы надо согласовать<br /> Нагрузка должна быть достаточно<br /> объемной<br /> Очень Большой Отзыв Организаторов<br /> <br /> == Участие в летней школе == <br /> <br /> Школы иностранных языков не<br /> учитываются<br /> Выбор школы / конференции надо<br /> согласовать <br /> Очень Большой Отчет ( ~8 страниц)<br /> <br /> == Сервисные проекты в учебном офисе и приёмной комиссии ==<br /> <br /> учебный офис (Т. Пак) <br /> Июль: создание архива Программы<br /> Август: приемная кампания<br /> приемная комиссия (М. Власенко)<br /> <br /> == Стажировка в компании ==<br /> <br /> Стажировка в компании<br /> Стажировки бывают разные: <br /> внесезонные<br /> летние<br /> Практика в компании<br /> Путеводитель по стажировкам</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B5%D0%B1%D0%BD%D0%B0%D1%8F_%D0%BF%D1%80%D0%B0%D0%BA%D1%82%D0%B8%D0%BA%D0%B0_1_%D0%BA%D1%83%D1%80%D1%81_(2015)&diff=16613 2015-05-29T17:35:02Z

<p>Akonushin: /* Учебная работа под руководством потенциального научного руководителя */</p> <hr /> <div>(TODO: Всё аккуратно дописать))<br /> <br /> = Возможные варианты учебной практики = <br /> <br /> * Учебная работа под руководством потенциального научного руководителя (с возможным продолжением в курсовой на 2м курсе)<br /> * Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы<br /> * Преподавание в летней школе для школьников<br /> * Участие в летней школе <br /> * Сервисные проекты в учебном офисе и приёмной комиссии<br /> * Стажировка в компании<br /> <br /> == Учебная работа под руководством потенциального научного руководителя ==<br /> <br /> Первый вариант прохождения практики - это учебная или учебно-исследовательская работа под руководством будущего научного руководителя. В большинстве случаев первым этапом выполнения курсовой работы является знакомство с областью исследований, основными понятиями и методами. Учебная летняя практика позволяет начать эту работу летом и оценить, насколько вам интересна та или иная область. Если область интересна, в учебном году можно будет быстрее перейти к непосредственно исследовательской работе. Если неинтересна, то вы можете осенью выбрать другую тему работы.<br /> <br /> [https://docs.google.com/spreadsheets/d/19mA6vFNo73vFLE_qqkRlgIji7AYSoZHpxq7xWpjiShg/pubhtml?gid=0&amp;single=true Текущий список предлагаемых тем]опубликован и будет пополняться.<br /> <br /> Если вам нравится какая-то тема, то вы связываетесь с руководителем и заручаетесь его согласием быть руководителем вашей учебной практики, после чего заполняете анкету.<br /> <br /> == Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы ==<br /> Если вы хотите продолжить свой программный проект или взять новый проект, то вам нужно договориться об этом со своим (или чужим) ментором. <br /> <br /> == Преподавание в летней школе для школьников ==<br /> <br /> Выбор летней школы надо согласовать<br /> Нагрузка должна быть достаточно<br /> объемной<br /> Очень Большой Отзыв Организаторов<br /> <br /> == Участие в летней школе == <br /> <br /> Школы иностранных языков не<br /> учитываются<br /> Выбор школы / конференции надо<br /> согласовать <br /> Очень Большой Отчет ( ~8 страниц)<br /> <br /> == Сервисные проекты в учебном офисе и приёмной комиссии ==<br /> <br /> учебный офис (Т. Пак) <br /> Июль: создание архива Программы<br /> Август: приемная кампания<br /> приемная комиссия (М. Власенко)<br /> <br /> == Стажировка в компании ==<br /> <br /> Стажировка в компании<br /> Стажировки бывают разные: <br /> внесезонные<br /> летние<br /> Практика в компании<br /> Путеводитель по стажировкам</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B5%D0%B1%D0%BD%D0%B0%D1%8F_%D0%BF%D1%80%D0%B0%D0%BA%D1%82%D0%B8%D0%BA%D0%B0_1_%D0%BA%D1%83%D1%80%D1%81_(2015)&diff=16612 2015-05-29T17:33:59Z

<p>Akonushin: /* Учебная работа под руководством потенциального научного руководителя */</p> <hr /> <div>(TODO: Всё аккуратно дописать))<br /> <br /> = Возможные варианты учебной практики = <br /> <br /> * Учебная работа под руководством потенциального научного руководителя (с возможным продолжением в курсовой на 2м курсе)<br /> * Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы<br /> * Преподавание в летней школе для школьников<br /> * Участие в летней школе <br /> * Сервисные проекты в учебном офисе и приёмной комиссии<br /> * Стажировка в компании<br /> <br /> == Учебная работа под руководством потенциального научного руководителя ==<br /> <br /> Первый вариант прохождения практики - это учебная или учебно-исследовательская работа под руководством будущего научного руководителя. В большинстве случаев первым этапом выполнения курсовой работы является знакомство с областью исследований, основными понятиями и методами. Учебная летняя практика позволяет начать эту работу летом и оценить, насколько вам интересна та или иная область. Если область интересна, в учебном году можно будет быстрее перейти к непосредственно исследовательской работе. Если неинтересна, то вы можете осенью выбрать другую тему работы.<br /> <br /> [https://docs.google.com/spreadsheets/d/19mA6vFNo73vFLE_qqkRlgIji7AYSoZHpxq7xWpjiShg/pubhtml?gid=0&amp;single=true Текущий список предлагаемых тем]опубликован и будет пополняться.<br /> <br /> == Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы ==<br /> Если вы хотите продолжить свой программный проект или взять новый проект, то вам нужно договориться об этом со своим (или чужим) ментором. <br /> <br /> == Преподавание в летней школе для школьников ==<br /> <br /> Выбор летней школы надо согласовать<br /> Нагрузка должна быть достаточно<br /> объемной<br /> Очень Большой Отзыв Организаторов<br /> <br /> == Участие в летней школе == <br /> <br /> Школы иностранных языков не<br /> учитываются<br /> Выбор школы / конференции надо<br /> согласовать <br /> Очень Большой Отчет ( ~8 страниц)<br /> <br /> == Сервисные проекты в учебном офисе и приёмной комиссии ==<br /> <br /> учебный офис (Т. Пак) <br /> Июль: создание архива Программы<br /> Август: приемная кампания<br /> приемная комиссия (М. Власенко)<br /> <br /> == Стажировка в компании ==<br /> <br /> Стажировка в компании<br /> Стажировки бывают разные: <br /> внесезонные<br /> летние<br /> Практика в компании<br /> Путеводитель по стажировкам</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B5%D0%B1%D0%BD%D0%B0%D1%8F_%D0%BF%D1%80%D0%B0%D0%BA%D1%82%D0%B8%D0%BA%D0%B0_1_%D0%BA%D1%83%D1%80%D1%81_(2015)&diff=16611 2015-05-29T17:11:59Z

<p>Akonushin: /* Учебная работа под руководством потенциального научного руководителя */</p> <hr /> <div>(TODO: Всё аккуратно дописать))<br /> <br /> = Возможные варианты учебной практики = <br /> <br /> * Учебная работа под руководством потенциального научного руководителя (с возможным продолжением в курсовой на 2м курсе)<br /> * Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы<br /> * Преподавание в летней школе для школьников<br /> * Участие в летней школе <br /> * Сервисные проекты в учебном офисе и приёмной комиссии<br /> * Стажировка в компании<br /> <br /> == Учебная работа под руководством потенциального научного руководителя ==<br /> <br /> <br /> <br /> Выбор будущего научного<br /> руководителя<br /> Подготовка к КР / ВКР<br /> <br /> == Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы ==<br /> Если вы хотите продолжить свой программный проект или взять новый проект, то вам нужно договориться об этом со своим (или чужим) ментором. <br /> <br /> == Преподавание в летней школе для школьников ==<br /> <br /> Выбор летней школы надо согласовать<br /> Нагрузка должна быть достаточно<br /> объемной<br /> Очень Большой Отзыв Организаторов<br /> <br /> == Участие в летней школе == <br /> <br /> Школы иностранных языков не<br /> учитываются<br /> Выбор школы / конференции надо<br /> согласовать <br /> Очень Большой Отчет ( ~8 страниц)<br /> <br /> == Сервисные проекты в учебном офисе и приёмной комиссии ==<br /> <br /> учебный офис (Т. Пак) <br /> Июль: создание архива Программы<br /> Август: приемная кампания<br /> приемная комиссия (М. Власенко)<br /> <br /> == Стажировка в компании ==<br /> <br /> Стажировка в компании<br /> Стажировки бывают разные: <br /> внесезонные<br /> летние<br /> Практика в компании<br /> Путеводитель по стажировкам</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B5%D0%B1%D0%BD%D0%B0%D1%8F_%D0%BF%D1%80%D0%B0%D0%BA%D1%82%D0%B8%D0%BA%D0%B0_1_%D0%BA%D1%83%D1%80%D1%81_(2015)&diff=16610 2015-05-29T16:17:43Z

<p>Akonushin: /* Возможные варианты учебной практики */</p> <hr /> <div>(TODO: Всё аккуратно дописать))<br /> <br /> = Возможные варианты учебной практики = <br /> <br /> * Учебная работа под руководством потенциального научного руководителя (с возможным продолжением в курсовой на 2м курсе)<br /> * Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы<br /> * Преподавание в летней школе для школьников<br /> * Участие в летней школе <br /> * Сервисные проекты в учебном офисе и приёмной комиссии<br /> * Стажировка в компании<br /> <br /> == Учебная работа под руководством потенциального научного руководителя ==<br /> <br /> Выбор будущего научного<br /> руководителя<br /> Подготовка к КР / ВКР<br /> <br /> == Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы ==<br /> Если вы хотите продолжить свой программный проект или взять новый проект, то вам нужно договориться об этом со своим (или чужим) ментором. <br /> <br /> == Преподавание в летней школе для школьников ==<br /> <br /> Выбор летней школы надо согласовать<br /> Нагрузка должна быть достаточно<br /> объемной<br /> Очень Большой Отзыв Организаторов<br /> <br /> == Участие в летней школе == <br /> <br /> Школы иностранных языков не<br /> учитываются<br /> Выбор школы / конференции надо<br /> согласовать <br /> Очень Большой Отчет ( ~8 страниц)<br /> <br /> == Сервисные проекты в учебном офисе и приёмной комиссии ==<br /> <br /> учебный офис (Т. Пак) <br /> Июль: создание архива Программы<br /> Август: приемная кампания<br /> приемная комиссия (М. Власенко)<br /> <br /> == Стажировка в компании ==<br /> <br /> Стажировка в компании<br /> Стажировки бывают разные: <br /> внесезонные<br /> летние<br /> Практика в компании<br /> Путеводитель по стажировкам</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%A3%D1%87%D0%B5%D0%B1%D0%BD%D0%B0%D1%8F_%D0%BF%D1%80%D0%B0%D0%BA%D1%82%D0%B8%D0%BA%D0%B0_1_%D0%BA%D1%83%D1%80%D1%81_(2015)&diff=16609 2015-05-29T15:41:51Z

<p>Akonushin: Новая страница: «= Возможные варианты учебной практики = * Учебная работа под руководством потенциальног…»</p> <hr /> <div>= Возможные варианты учебной практики = <br /> <br /> * Учебная работа под руководством потенциального научного руководителя (с возможным продолжением в курсовой на 2м курсе)<br /> * Продолжение программного проекта или выполнение нового проекта под руководством ментора проектной работы<br /> * Преподавание в летней школе для школьников<br /> * Участие в летней школе <br /> * Сервисные проекты в учебном офисе и приёмной комиссии<br /> * Стажировка в компании</div>

Akonushin https://wiki.cs.hse.ru/index.php?title=%D0%9E_%D1%84%D0%B0%D0%BA%D1%83%D0%BB%D1%8C%D1%82%D0%B5%D1%82%D0%B5&diff=16608 2015-05-29T15:35:37Z

<p>Akonushin: /* Проектная работа, 2015 год */</p> <hr /> <div>== Факультет компьютерных наук НИУ ВШЭ ==<br /> <br /> == Курсы за 2014/15 учебный год ==<br /> [[Основы и методологии программирования]]&lt;br /&gt;<br /> [[Алгоритмы и структуры данных]]&lt;br /&gt;<br /> [[Анализ данных (Программная инженерия)]]&lt;br /&gt;<br /> [[Алгебра]]&lt;br /&gt;<br /> [[Magolego_sna_2015| MAGoLEGO Social Network Analysis]]<br /> <br /> == Проектная работа, 2015 год ==<br /> [[Проектная работа]] &lt;br /&gt;<br /> [[Учебная практика 1 курс (2015)]]</div>

Akonushin