Wiki - Факультет компьютерных наук - Вклад [ru]

LAMBDA: Построение Generative Adversial Network для быстрой генерации откликов калориметров детекторов элементарных частиц в ЦЕРН (командный проект)

2017-10-14T10:20:32Z

Austyuzhanin:

{{Карточка_командного_проекта
|name=Построение Generative Adversial Network для быстрой генерации откликов калориметров детекторов элементарных частиц в ЦЕРН
|company=Яндекс, ВШЭ
|semester=Осень 2017
|course=3
|number_of_students=2-5
|categorize=yes
}}

=== Что это за проект? ===
Кроме реальных экспериментов, инструменты и подходы в ускорителях тестируются на искусственно сгенерированных данных. Симуляция экспериментов - обширная область физики высоких энергий. Отклики частицы в калориметре по сути являются изображением, но генерация их обычными методами полной физической симуляции требует значительных компьютерных ресурсов.
Вам предстоит создать нейросеть, которая будет генерировать отклики элементарных частиц на поверхности калориметра. За основу предлагается взять концепцию GAN - двухкомпонентной сети, одна компонента которой создает изображения, а другая - разделяет их на "искуственные" и "настоящие".
В случае получения приемлемого качества генерации, возможна имплементация в систему симуляции отклика детекторов LHC с соответствующими кредитами в научных публикациях

Презентация: https://www.dropbox.com/s/v9rqn4ecbto5hxa/171013_GAN_HSEstudents.pdf?dl=0

=== Чему научатся студенты? Что самое интересное в проекте? ===
Проект даёт возможность познакомиться с основами обучения без учителя и разобраться в концепции Generative adversarial networks, а также разобраться со структурой экспериментов Большого адронного коллайдера

=== Организация работы (Как студенты будут работать в команде?) ===
Распределение работы создаётся по итогам регистрации желающих участвовать.

=== Компоненеты (Из каких частей состоит проект?) ===
1) Воспроизведение бейзлайна на существующих данных
2) Улучшение бейзлайна
3) Учет нюансов отдельно взятого детектора детектора

=== Какие будут использоваться технологии? ===
-

=== Какие начальные требования? ===
Хорошее знание математического анализа и математической статистики
Хорошее знание школьного курса физики
Умение писать и читать код на python (опционально - использовать jupyter, docker)
Не пугаться Git

=== Темы вводных занятий ===
1) Что такое GAN - несколько общих слов и простой примерчик.
2) Калориметры LHC - структура и особенности.

=== Критерии оценки ===
-

=== Похожие проекты ===
-

=== Контактная информация ===
* Виктория Чекалина: vicusya17@mail.ru,
* Фёдор Ратников: fratnikov@hse.ru
* Андрей Устюжанин [https://telegram.me/anaderiRu @anaderiRu]

LAMBDA: Построение Generative Adversial Network для быстрой генерации откликов калориметров детекторов элементарных частиц в ЦЕРН (командный проект)

2017-10-13T23:02:12Z

Austyuzhanin:

{{Карточка_командного_проекта
|name=Построение Generative Adversial Network для быстрой генерации откликов калориметров детекторов элементарных частиц в ЦЕРН
|company=Яндекс, ВШЭ
|semester=Осень 2017
|course=3
|number_of_students=2-5
|categorize=yes
}}

=== Что это за проект? ===
Кроме реальных экспериментов, инструменты и подходы в ускорителях тестируются на искусственно сгенерированных данных. Симуляция экспериментов - обширная область физики высоких энергий. Отклики частицы в калориметре по сути являются изображением, но генерация их обычными методами полной физической симуляции требует значительных компьютерных ресурсов.
Вам предстоит создать нейросеть, которая будет генерировать отклики элементарных частиц на поверхности калориметра. За основу предлагается взять концепцию GAN - двухкомпонентной сети, одна компонента которой создает изображения, а другая - разделяет их на "искуственные" и "настоящие".
В случае получения приемлемого качества генерации, возможна имплементация в систему симуляции отклика детекторов LHC с соответствующими кредитами в научных публикациях

=== Чему научатся студенты? Что самое интересное в проекте? ===
Проект даёт возможность познакомиться с основами обучения без учителя и разобраться в концепции Generative adversarial networks, а также разобраться со структурой экспериментов Большого адронного коллайдера

=== Организация работы (Как студенты будут работать в команде?) ===
Распределение работы создаётся по итогам регистрации желающих участвовать.

=== Компоненеты (Из каких частей состоит проект?) ===
1) Воспроизведение бейзлайна на существующих данных
2) Улучшение бейзлайна
3) Учет нюансов отдельно взятого детектора детектора

=== Какие будут использоваться технологии? ===
-

=== Какие начальные требования? ===
Хорошее знание математического анализа и математической статистики
Хорошее знание школьного курса физики
Умение писать и читать код на python (опционально - использовать jupyter, docker)
Не пугаться Git

=== Темы вводных занятий ===
1) Что такое GAN - несколько общих слов и простой примерчик.
2) Калориметры LHC - структура и особенности.

=== Критерии оценки ===
-

=== Похожие проекты ===
-

=== Контактная информация ===
* Виктория Чекалина: vicusya17@mail.ru,
* Фёдор Ратников: fratnikov@hse.ru
* Андрей Устюжанин [https://telegram.me/anaderiRu @anaderiRu]

LAMBDA: Построение Generative Adversial Network для быстрой генерации откликов калориметров детекторов элементарных частиц в ЦЕРН (командный проект)

2017-10-13T23:01:17Z

Austyuzhanin:

{{Карточка_командного_проекта
|name=Построение Generative Adversial Network для быстрой генерации откликов калориметров детекторов элементарных частиц в ЦЕРН
|company=Яндекс, ВШЭ
|semester=Осень 2017
|course=3
|number_of_students=2-5
|categorize=yes
}}

=== Что это за проект? ===
Кроме реальных экспериментов, инструменты и подходы в ускорителях тестируются на искусственно сгенерированных данных. Симуляция экспериментов - обширная область физики высоких энергий. Отклики частицы в калориметре по сути являются изображением, но генерация их обычными методами полной физической симуляции требует значительных компьютерных ресурсов.
Вам предстоит создать нейросеть, которая будет генерировать отклики элементарных частиц на поверхности калориметра. За основу предлагается взять концепцию GAN - двухкомпонентной сети, одна компонента которой создает изображения, а другая - разделяет их на "искуственные" и "настоящие".
В случае получения приемлемого качества генерации, возможна имплементация в систему симуляции отклика детекторов LHC с соответствующими кредитами в научных публикациях

=== Чему научатся студенты? Что самое интересное в проекте? ===
Проект даёт возможность познакомиться с основами обучения без учителя и разобраться в концепции Generative adversarial networks, а также разобраться со структурой экспериментов Большого адронного коллайдера

=== Организация работы (Как студенты будут работать в команде?) ===
Распределение работы создаётся по итогам регистрации желающих участвовать.

=== Компоненеты (Из каких частей состоит проект?) ===
1) Воспроизведение бейзлайна на существующих данных
2) Улучшение бейзлайна
3) Учет нюансов отдельно взятого детектора детектора

=== Какие будут использоваться технологии? ===
-

=== Какие начальные требования? ===
Хорошее знание математического анализа и математической статистики
Хорошее знание школьного курса физики
Умение писать и читать код на python (опционально - использовать jupyter, docker)
Не пугаться Git

=== Темы вводных занятий ===
1) Что такое GAN - несколько общих слов и простой примерчик.
2) Калориметры LHC - структура и особенности.

=== Критерии оценки ===
-

=== Похожие проекты ===
-

=== Контактная информация ===
Виктория Чекалина: vicusya17@mail.ru, Фёдор Ратников: fratnikov@hse.ru

LAMBDA: Построение Generative Adversial Network для быстрой генерации откликов калориметров детекторов элементарных частиц в ЦЕРН (командный проект)

2017-10-13T22:58:50Z

Austyuzhanin:

{{Карточка_командного_проекта
|name=Построение Generative Adversial Network для быстрой генерации откликов калориметров детекторов элементарных частиц в ЦЕРН
|company=
|semester=Осень 2017
|course=3
|number_of_students=2-5
|categorize=yes
}}

=== Что это за проект? ===
Кроме реальных экспериментов, инструменты и подходы в ускорителях тестируются на искусственно сгенерированных данных. Симуляция экспериментов - обширная область физики высоких энергий. Отклики частицы в калориметре по сути являются изображением, но генерация их обычными методами полной физической симуляции требует значительных компьютерных ресурсов.
Вам предстоит создать нейросеть, которая будет генерировать отклики элементарных частиц на поверхности калориметра. За основу предлагается взять концепцию GAN - двухкомпонентной сети, одна компонента которой создает изображения, а другая - разделяет их на "искуственные" и "настоящие".
В случае получения приемлемого качества генерации, возможна имплементация в систему симуляции отклика детекторов LHC с соответствующими кредитами в научных публикациях

=== Чему научатся студенты? Что самое интересное в проекте? ===
Проект даёт возможность познакомиться с основами обучения без учителя и разобраться в концепции Generative adversarial networks, а также разобраться со структурой экспериментов Большого адронного коллайдера

=== Организация работы (Как студенты будут работать в команде?) ===
Распределение работы создаётся по итогам регистрации желающих участвовать.

=== Компоненеты (Из каких частей состоит проект?) ===
1) Воспроизведение бейзлайна на существующих данных
2) Улучшение бейзлайна
3) Учет нюансов отдельно взятого детектора детектора

=== Какие будут использоваться технологии? ===
-

=== Какие начальные требования? ===
Хорошее знание математического анализа и математической статистики
Хорошее знание школьного курса физики
Умение писать и читать код на python (опционально - использовать jupyter, docker)
Не пугаться Git

=== Темы вводных занятий ===
1) Что такое GAN - несколько общих слов и простой примерчик.
2) Калориметры LHC - структура и особенности.

=== Критерии оценки ===
-

=== Похожие проекты ===
-

=== Контактная информация ===
Виктория Чекалина: vicusya17@mail.ru, Фёдор Ратников: fratnikov@hse.ru

LAMBDA: Построение Generative Adversial Network для быстрой генерации откликов калориметров детекторов элементарных частиц в ЦЕРН (командный проект)

2017-10-13T22:57:58Z

Austyuzhanin:

{{Карточка_командного_проекта
|name=Построение Generative Adversial Network для быстрой генерации откликов калориметров детекторов элементарных частиц в ЦЕРН
|company=
|semester=Осень 2017
|course=3
|number_of_students=2-3
|categorize=yes
}}

=== Что это за проект? ===
Кроме реальных экспериментов, инструменты и подходы в ускорителях тестируются на искусственно сгенерированных данных. Симуляция экспериментов - обширная область физики высоких энергий. Отклики частицы в калориметре по сути являются изображением, но генерация их обычными методами полной физической симуляции требует значительных компьютерных ресурсов.
Вам предстоит создать нейросеть, которая будет генерировать отклики элементарных частиц на поверхности калориметра. За основу предлагается взять концепцию GAN - двухкомпонентной сети, одна компонента которой создает изображения, а другая - разделяет их на "искуственные" и "настоящие".
В случае получения приемлемого качества генерации, возможна имплементация в систему симуляции отклика детекторов LHC с соответствующими кредитами в научных публикациях

=== Чему научатся студенты? Что самое интересное в проекте? ===
Проект даёт возможность познакомиться с основами обучения без учителя и разобраться в концепции Generative adversarial networks, а также разобраться со структурой экспериментов Большого адронного коллайдера

=== Организация работы (Как студенты будут работать в команде?) ===
Распределение работы создаётся по итогам регистрации желающих участвовать.

=== Компоненеты (Из каких частей состоит проект?) ===
1) Воспроизведение бейзлайна на существующих данных
2) Улучшение бейзлайна
3) Учет нюансов отдельно взятого детектора детектора

=== Какие будут использоваться технологии? ===
-

=== Какие начальные требования? ===
Хорошее знание математического анализа и математической статистики
Хорошее знание школьного курса физики
Умение писать и читать код на python (опционально - использовать jupyter, docker)
Не пугаться Git

=== Темы вводных занятий ===
1) Что такое GAN - несколько общих слов и простой примерчик.
2) Калориметры LHC - структура и особенности.

=== Критерии оценки ===
-

=== Похожие проекты ===
-

=== Контактная информация ===
Виктория Чекалина: vicusya17@mail.ru, Фёдор Ратников: fratnikov@hse.ru

LAMBDA: Построение Generative Adversial Network для быстрой генерации откликов калориметров детекторов элементарных частиц в ЦЕРН (командный проект)

2017-10-13T22:57:37Z

Austyuzhanin:

{{Карточка_командного_проекта
|name=Построение Generative Adversial Network для быстрой генерации откликов калориметров детекторов элементарных частиц в ЦЕРН
|company=
|semester=Осень 2017
|course=3
|number_of_students=2-3
|categorize=yes
}}

=== Что это за проект? ===
Кроме реальных экспериментов, инструменты и подходы в ускорителях тестируются на искусственно сгенерированных данных. Симуляция экспериментов - обширная область физики высоких энергий. Отклики частицы в калориметре по сути являются изображением, но генерация их обычными методами полной физической симуляции требует значительных компьютерных ресурсов.
Вам предстоит создать нейросеть, которая будет генерировать отклики элементарных частиц на поверхности калориметра. За основу предлагается взять концепцию GAN - двухкомпонентной сети, одна компонента которой создает изображения, а другая - разделяет их на "искуственные" и "настоящие".
В случае получения приемлемого качества генерации, возможна имплементация в систему симуляции отклика детекторов LHC с соответствующими кредитами в научных публикациях

=== Чему научатся студенты? Что самое интересное в проекте? ===
Проект даёт возможность познакомиться с основами обучения без учителя и разобраться в концепции Generative adversarial networks, а также разобраться со структурой экспериментов Большого адронного коллайдера

=== Организация работы (Как студенты будут работать в команде?) ===
Распределение работы создаётся по итогам регистрации желающих участвовать.

=== Компоненеты (Из каких частей состоит проект?) ===
1) Воспроизведение бейзлайна на существующих данных
2) Улучшение бейзлайна
3) Учет нюансов отдельно взятого детектора детектора

=== Какие будут использоваться технологии? ===
-

=== Какие начальные требования? ===
Хорошее знание математического анализа и математической статистики
Хорошее знание школьного курса физики
Умение писать и читать код на python (опционально - использовать jupyter, docker)
Не пугаться Git

=== Темы вводных занятий ===
1) Что такое GUN - несколько общих слов и простой примерчик.
2) Калориметры LHC - структура и особенности.

=== Критерии оценки ===
-

=== Похожие проекты ===
-

=== Контактная информация ===
Виктория Чекалина: vicusya17@mail.ru, Фёдор Ратников: fratnikov@hse.ru

LAMBDA: Идентификация частиц в LHCb (командный проект)

2017-10-13T22:26:12Z

Austyuzhanin:

{{Карточка_командного_проекта
|name=Идентификация частиц в LHCb
|company=Yandex
|semester=Осень 2017
|course=3
|number_of_students=15
|categorize=yes
}}

=== Что это за проект? ===
Получить модель идентификации частиц в данных, полученных на Большом адронном коллайдере. Тренировка будет проводиться с использованием полностью симулированных событий эксперимента LHCb, финальное тестирование пройдёт на данных, набранных в 2017 году.

Презентация:
https://www.dropbox.com/s/t5sapzkq8b7uwid/HSE_3B_projects.pdf?dl=0

=== Чему научатся студенты? Что самое интересное в проекте? ===
командной работе над data science задачами на примере задачи из физики высоких энергий

=== Организация работы (Как студенты будут работать в команде?) ===
agile research & citizen science

=== Компоненеты (Из каких частей состоит проект?) ===
разработка алгоритма идентификации частиц мелкими нейросетями, воспроизведение бейзлайна

разработка алгоритма идентификации частиц алгоритмом градиентного бустинга

разработка алгоритма идентификации частиц глубокой нейросетью

ускорение работы моделей

разработка решения с заданными характеристиками одним из существующих методов

Проверка качества работы моделей на данных коллайдера

=== Какие будут использоваться технологии? ===
keras, xgboost, catboost,

=== Какие начальные требования? ===
основы машинного обучения

=== Темы вводных занятий ===
основы обработки данных в LHCb

=== Критерии оценки ===
TBA

=== Похожие проекты ===

http://wiki.cs.hse.ru/SHiP/OPERA_dark_matter_search_(командный_проект)

=== Контактная информация ===
* Артем Рыжиков
* Алина Денисова
* Андрей Устюжанин [https://telegram.me/anaderiRu @anaderiRu]

LAMBDA: Идентификация частиц в LHCb (командный проект)

2017-10-13T22:25:19Z

Austyuzhanin:

Построение Generative Adversial Network для быстрой генерации откликов калориметров детекторов элементарных частиц в ЦЕРН (командный проект)

2017-10-13T22:24:40Z

Austyuzhanin: Austyuzhanin переименовал страницу [[Построение Generative Adversial Network для быстрой генерации откликов калориметров детекторов элементарных частиц в…

#перенаправление [[LAMBDA: Построение Generative Adversial Network для быстрой генерации откликов калориметров детекторов элементарных частиц в ЦЕРН (командный проект)]]

LAMBDA: Построение Generative Adversial Network для быстрой генерации откликов калориметров детекторов элементарных частиц в ЦЕРН (командный проект)

2017-10-13T22:24:40Z

{{Карточка_командного_проекта
|name=Построение Generative Adversial Network для быстрой генерации откликов калориметров детекторов элементарных частиц в ЦЕРН
|company=
|semester=Осень 2017
|course=3
|number_of_students=2-3
|categorize=yes
}}

=== Что это за проект? ===
Кроме реальных экспериментов, инструменты и подходы в ускорителях тестируются на искусственно сгенерированных данных. Симуляция экспериментов - обширная область физики высоких энергий. Отклики частицы в калориметре по сути являются изображением, но генерация их обычными методами полной физической симуляции требует значительных компьютерных ресурсов.
Вам предстоит создать нейросеть, которая будет генерировать отклики элементарных частиц на поверхности калориметра. За основу предлагается взять концепцию GAN - двухкомпонентной сети, одна компонента которой создает изображения, а другая - разделяет их на "искуственные" и "настоящие".
В случае получения приемлемого качества генерации, возможна имплементация в систему симуляции отклика детекторов LHC с соответствующими кредитами в научных публикациях

=== Чему научатся студенты? Что самое интересное в проекте? ===
Проект даёт возможность познакомиться с основами обучения без учителя и разобраться в концепции Generative adversarial networks, а также разобраться со структурой экспериментов Большого адронного коллайдера

=== Организация работы (Как студенты будут работать в команде?) ===
Распределение работы создаётся по итогам регистрации желающих участвовать.

=== Компоненеты (Из каких частей состоит проект?) ===
1) Воспроизведение бейзлайна на существующих данных
2) Улучшение бейзлайна
3) Учет нюансов отдельно взятого детектора детектора

=== Какие будут использоваться технологии? ===
-

=== Какие начальные требования? ===
Хорошее знание математического анализа и математической статистики
Хорошее знание школьного курса физики
Умение писать и читать код на python (опционально - использовать jypiter, docker)
Не пугаться Git

=== Темы вводных занятий ===
1) Что такое GUN - несколько общих слов и простой примерчик.
2) Калориметры LHC - структура и особенности.

=== Критерии оценки ===
-

=== Похожие проекты ===
-

=== Контактная информация ===
Виктория Чекалина: vicusya17@mail.ru, Фёдор Ратников: fratnikov@hse.ru

Идентификация частиц в LHCb (командный проект)

2017-10-13T22:24:07Z

Austyuzhanin: Austyuzhanin переименовал страницу Идентификация частиц в LHCb (командный проект) в LAMBDA: Идентификация частиц в LHCb (командный проект)

#перенаправление [[LAMBDA: Идентификация частиц в LHCb (командный проект)]]

LAMBDA: Идентификация частиц в LHCb (командный проект)

2017-10-13T22:24:07Z

{{Карточка_командного_проекта
|name=Идентификация частиц в LHCb
|company=Yandex
|semester=Осень 2017
|course=3
|number_of_students=15
|categorize=yes
}}

=== Что это за проект? ===
Получить модель идентификации частиц в данных, полученных на Большом адронном коллайдере. Тренировка будет проводиться с использованием полностью симулированных событий эксперимента LHCb, финальное тестирование пройдёт на данных, набранных в 2017 году.

Презентация:
https://www.dropbox.com/s/ro3nd8wy9zx10o1/citizen_science.key?dl=0

=== Чему научатся студенты? Что самое интересное в проекте? ===
командной работе над data science задачами на примере задачи из физики высоких энергий

=== Организация работы (Как студенты будут работать в команде?) ===
agile research & citizen science

=== Компоненеты (Из каких частей состоит проект?) ===
разработка алгоритма идентификации частиц мелкими нейросетями, воспроизведение бейзлайна

разработка алгоритма идентификации частиц алгоритмом градиентного бустинга

разработка алгоритма идентификации частиц глубокой нейросетью

ускорение работы моделей

разработка решения с заданными характеристиками одним из существующих методов

Проверка качества работы моделей на данных коллайдера

=== Какие будут использоваться технологии? ===
keras, xgboost, catboost,

=== Какие начальные требования? ===
основы машинного обучения

=== Темы вводных занятий ===
основы обработки данных в LHCb

=== Критерии оценки ===
TBA

=== Похожие проекты ===

http://wiki.cs.hse.ru/SHiP/OPERA_dark_matter_search_(командный_проект)

=== Контактная информация ===
* Артем Рыжиков
* Алина Денисова
* Андрей Устюжанин

LAMBDA: SHiP/OPERA dark matter search (командный проект)

2017-10-13T22:23:12Z

Austyuzhanin: /* Что это за проект? */

{{Карточка_командного_проекта
|name=SHiP/OPERA dark matter search
|company=Yandex/CERN
|semester=Осень 2017
|course=3
|number_of_students=15
|categorize=yes
}}

=== Что это за проект? ===
Построить алгоритм распознавания электро-магнитных ливней в данных детектора OPERA/SHiP.

Презентация:
https://www.dropbox.com/s/t5sapzkq8b7uwid/HSE_3B_projects.pdf?dl=0

=== Чему научатся студенты? Что самое интересное в проекте? ===
командной работе над data science задачами на примере задачи из физики высоких энергий

=== Организация работы (Как студенты будут работать в команде?) ===
agile research & citizen science

=== Компоненеты (Из каких частей состоит проект?) ===
генерация/подготовка данных

алгоритм распознавания ливня при известной вершине

вычисление различных метрик качества (precision/recall/energy resolution)

алгоритм распознавания ливня без информации о вершине

алгоритм распознавания нескольких непересекающихся ливней

алгоритм распознавания большого количества пересекающихся ливней

=== Какие будут использоваться технологии? ===
keras, xgboost, catboost,

=== Какие начальные требования? ===
основы машинного обучения, интерес к физике

=== Темы вводных занятий ===
основы обработки данных

=== Критерии оценки ===
TBA

=== Похожие проекты ===
http://wiki.cs.hse.ru/Идентификация_частиц_в_LHCb_(командный_проект)

=== Контактная информация ===
* Артем Филатов
* Влад Белавин
* Андрей Устюжанин [https://telegram.me/anaderiRu @anaderiRu]

LAMBDA: SHiP/OPERA dark matter search (командный проект)

2017-10-13T22:21:27Z

Austyuzhanin:

{{Карточка_командного_проекта
|name=SHiP/OPERA dark matter search
|company=Yandex/CERN
|semester=Осень 2017
|course=3
|number_of_students=15
|categorize=yes
}}

=== Что это за проект? ===
Построить алгоритм распознавания электро-магнитных ливней в данных детектора OPERA/SHiP.

Презентация:
https://www.dropbox.com/s/peme7gfrgvhym31/2017-citizen_science_projects.pdf?dl=0

=== Чему научатся студенты? Что самое интересное в проекте? ===
командной работе над data science задачами на примере задачи из физики высоких энергий

=== Организация работы (Как студенты будут работать в команде?) ===
agile research & citizen science

=== Компоненеты (Из каких частей состоит проект?) ===
генерация/подготовка данных

алгоритм распознавания ливня при известной вершине

вычисление различных метрик качества (precision/recall/energy resolution)

алгоритм распознавания ливня без информации о вершине

алгоритм распознавания нескольких непересекающихся ливней

алгоритм распознавания большого количества пересекающихся ливней

=== Какие будут использоваться технологии? ===
keras, xgboost, catboost,

=== Какие начальные требования? ===
основы машинного обучения, интерес к физике

=== Темы вводных занятий ===
основы обработки данных

=== Критерии оценки ===
TBA

=== Похожие проекты ===
http://wiki.cs.hse.ru/Идентификация_частиц_в_LHCb_(командный_проект)

=== Контактная информация ===
* Артем Филатов
* Влад Белавин
* Андрей Устюжанин [https://telegram.me/anaderiRu @anaderiRu]

SHiP/OPERA dark matter search (командный проект)

2017-10-13T22:20:44Z

Austyuzhanin: Austyuzhanin переименовал страницу SHiP/OPERA dark matter search (командный проект) в LAMBDA: SHiP/OPERA dark matter search (командный проект)

#перенаправление [[LAMBDA: SHiP/OPERA dark matter search (командный проект)]]

LAMBDA: SHiP/OPERA dark matter search (командный проект)

2017-10-13T22:20:44Z

{{Карточка_командного_проекта
|name=SHiP/OPERA dark matter search
|company=Yandex/CERN
|semester=Осень 2017
|course=3
|number_of_students=15
|categorize=yes
}}

=== Что это за проект? ===
Построить алгоритм распознавания электро-магнитных ливней в данных детектора OPERA/SHiP.

Презентация:
https://www.dropbox.com/s/peme7gfrgvhym31/2017-citizen_science_projects.pdf?dl=0

=== Чему научатся студенты? Что самое интересное в проекте? ===
командной работе над data science задачами на примере задачи из физики высоких энергий

=== Организация работы (Как студенты будут работать в команде?) ===
agile research & citizen science

=== Компоненеты (Из каких частей состоит проект?) ===
генерация/подготовка данных

алгоритм распознавания ливня при известной вершине

вычисление различных метрик качества (precision/recall/energy resolution)

алгоритм распознавания ливня без информации о вершине

алгоритм распознавания нескольких непересекающихся ливней

алгоритм распознавания большого количества пересекающихся ливней

=== Какие будут использоваться технологии? ===
keras, xgboost, catboost,

=== Какие начальные требования? ===
основы машинного обучения, интерес к физике

=== Темы вводных занятий ===
основы обработки данных

=== Критерии оценки ===
TBA

=== Похожие проекты ===
http://wiki.cs.hse.ru/Идентификация_частиц_в_LHCb_(командный_проект)

=== Контактная информация ===
* Артем Филатов
* Влад Белавин
* Андрей Устюжанин

LAMBDA: Использование глубинного обучения для анализа эмоций по ЭЭГ (командный проект)

2017-10-13T22:20:21Z

Austyuzhanin:

{{Карточка_командного_проекта
|name=LAMBDA: Использование глубинного обучения для анализа эмоций по ЭЭГ
|company=LAMBDA
|semester=Осень 2017x
|course=3
|number_of_students=10
|categorize=yes
}}

=== Что это за проект? ===
TBA

=== Чему научатся студенты? Что самое интересное в проекте? ===
TBA

=== Организация работы (Как студенты будут работать в команде?) ===
TBA

=== Компоненеты (Из каких частей состоит проект?) ===
TBA

=== Какие будут использоваться технологии? ===
TBA

=== Какие начальные требования? ===
TBA

=== Темы вводных занятий ===
TBA

=== Критерии оценки ===
TBA

=== Похожие проекты ===
TBA

=== Контактная информация ===
https://telegram.me/anaderiRu

LAMBDA: Использование глубинных сетей для анализа эмоций по ЭЭГ (командный проект)

2017-10-13T22:16:40Z

Austyuzhanin:

{{Карточка_командного_проекта
|name=LAMBDA: Использование глубинных сетей для анализа эмоций по ЭЭГ
|company=ВШЭ
|semester=Осень 2017
|course=3
|number_of_students=15
|categorize=yes
}}

=== Что это за проект? ===
Получение оптимального с некоторой точки зрения энкодера многоканальных ЭЭГ сигналов, сопоставление результатов сверточных сетей с результатми, получаемыми при помощи Optimal Wavelet Packet analysis, применение полученного словаря к задаче декодирования состояний в идеомоторном интерфейсе с испльзование технологии transfer learning

https://www.dropbox.com/s/t5sapzkq8b7uwid/HSE_3B_projects.pdf?dl=0
https://arxiv.org/pdf/1709.08820.pdf

=== Чему научатся студенты? Что самое интересное в проекте? ===
командной работе над data science задачами на примере задачи из нейроинформатики

=== Организация работы (Как студенты будут работать в команде?) ===
agile research & citizen science

=== Компоненеты (Из каких частей состоит проект?) ===
0. подготовка данных для дальнейшего анализа, приведение к единому формату

1. Разложение на вейвлеты базиса при помощи WPT анализа и построение автоэнкодера временной динамики (без учета пространственной структуры), сопоставление с оптимальным базисом, построенным с использованием энтропийного критерия и Wavelet Packet Tree (WPT) decomposition

2. Использование сверточных (вместо вэйвлетов) сетей как фронт-энда автоэнкодера и сопоставление частотных характеристик выученных сверток с частотными характеристиками базисных векторов энтропийного WPT базиса и выученной в (пункте 1) комбинации вэйвлет компонент
оценка качества разложения

3. 1 и 2 с учетом пространственной структуры ЭЭГ

4. 3 , но на основе результатов решения обратной задачи , т.е. используя не активнось сенсоров, а активность источников на коре, оценненных при пмощи методики решения ОЗ ЭЭГ.

5. Во всех пунктах возможны различные варианты используемых архитектур нейросетей

=== Какие будут использоваться технологии? ===
keras, tensorflow, convolutional neural networks, reinforcement learning

=== Какие начальные требования? ===
умение обучать нейросетки на tensorflow

=== Темы вводных занятий ===
Нейросети, Wavelet analysis, CNN, RNN, RCNN

=== Критерии оценки ===
TBA

=== Похожие проекты ===
http://wiki.cs.hse.ru/Идентификация_частиц_в_LHCb_(командный_проект)

=== Контактная информация ===
* Алина Денисова
* Андрей Устюжанин [https://telegram.me/anaderiRu @anaderiRu]
* Алексей Осадчий

LAMBDA: Использование глубинных сетей для анализа эмоций по ЭЭГ (командный проект)

2017-10-13T22:15:21Z

Austyuzhanin:

{{Карточка_командного_проекта
|name=LAMBDA: Использование глубинных сетей для анализа эмоций по ЭЭГ
|company=ВШЭ
|semester=Осень 2017
|course=3
|number_of_students=15
|categorize=yes
}}

=== Что это за проект? ===
Получение оптимального с некоторой точки зрения энкодера многоканальных ЭЭГ сигналов, сопоставление результатов сверточных сетей с результатми, получаемыми при помощи Optimal Wavelet Packet analysis, применение полученного словаря к задаче декодирования состояний в идеомоторном интерфейсе с испльзование технологии transfer learning

https://www.dropbox.com/s/t5sapzkq8b7uwid/HSE_3B_projects.pdf?dl=0
https://arxiv.org/pdf/1709.08820.pdf

=== Чему научатся студенты? Что самое интересное в проекте? ===
командной работе над data science задачами на примере задачи из нейроинформатики

=== Организация работы (Как студенты будут работать в команде?) ===
agile research & citizen science

=== Компоненеты (Из каких частей состоит проект?) ===
0. подготовка данных для дальнейшего анализа, приведение к единому формату

1. Разложение на вейвлеты базиса при помощи WPT анализа и построение автоэнкодера временной динамики (без учета пространственной структуры), сопоставление с оптимальным базисом, построенным с использованием энтропийного критерия и Wavelet Packet Tree (WPT) decomposition

2. Использование сверточных (вместо вэйвлетов) сетей как фронт-энда автоэнкодера и сопоставление частотных характеристик выученных сверток с частотными характеристиками базисных векторов энтропийного WPT базиса и выученной в (пункте 1) комбинации вэйвлет компонент
оценка качества разложения

3. 1 и 2 с учетом пространственной структуры ЭЭГ

4. 3 , но на основе результатов решения обратной задачи , т.е. используя не активнось сенсоров, а активность источников на коре, оценненных при пмощи методики решения ОЗ ЭЭГ.

5. Во всех пунктах возможны различные варианты используемых архитектур нейросетей

=== Какие будут использоваться технологии? ===
keras, tensorflow, convolutional neural networks, reinforcement learning

=== Какие начальные требования? ===
умение обучать нейросетки на tensorflow

=== Темы вводных занятий ===
Нейросети, Wavelet analysis, CNN, RNN, RCNN

=== Критерии оценки ===
TBA

=== Похожие проекты ===
http://wiki.cs.hse.ru/Идентификация_частиц_в_LHCb_(командный_проект)

=== Контактная информация ===
* Алина Денисова
* [[Файл:Telegram_ico.png|мини]] Андрей Устюжанин
* Алексей Осадчий

LAMBDA: Использование глубинных сетей для анализа эмоций по ЭЭГ (командный проект)

2017-10-13T22:14:47Z

Austyuzhanin:

{{Карточка_командного_проекта
|name=LAMBDA: Использование глубинных сетей для анализа эмоций по ЭЭГ
|company=ВШЭ
|semester=Осень 2017
|course=3
|number_of_students=15
|categorize=yes
}}

=== Что это за проект? ===
Получение оптимального с некоторой точки зрения энкодера многоканальных ЭЭГ сигналов, сопоставление результатов сверточных сетей с результатми, получаемыми при помощи Optimal Wavelet Packet analysis, применение полученного словаря к задаче декодирования состояний в идеомоторном интерфейсе с испльзование технологии transfer learning

https://www.dropbox.com/s/t5sapzkq8b7uwid/HSE_3B_projects.pdf?dl=0
https://arxiv.org/pdf/1709.08820.pdf

=== Чему научатся студенты? Что самое интересное в проекте? ===
командной работе над data science задачами на примере задачи из нейроинформатики

=== Организация работы (Как студенты будут работать в команде?) ===
agile research & citizen science

=== Компоненеты (Из каких частей состоит проект?) ===
0. подготовка данных для дальнейшего анализа, приведение к единому формату

1. Разложение на вейвлеты базиса при помощи WPT анализа и построение автоэнкодера временной динамики (без учета пространственной структуры), сопоставление с оптимальным базисом, построенным с использованием энтропийного критерия и Wavelet Packet Tree (WPT) decomposition

2. Использование сверточных (вместо вэйвлетов) сетей как фронт-энда автоэнкодера и сопоставление частотных характеристик выученных сверток с частотными характеристиками базисных векторов энтропийного WPT базиса и выученной в (пункте 1) комбинации вэйвлет компонент
оценка качества разложения

3. 1 и 2 с учетом пространственной структуры ЭЭГ

4. 3 , но на основе результатов решения обратной задачи , т.е. используя не активнось сенсоров, а активность источников на коре, оценненных при пмощи методики решения ОЗ ЭЭГ.

5. Во всех пунктах возможны различные варианты используемых архитектур нейросетей

=== Какие будут использоваться технологии? ===
keras, tensorflow, convolutional neural networks, reinforcement learning

=== Какие начальные требования? ===
умение обучать нейросетки на tensorflow

=== Темы вводных занятий ===
Нейросети, Wavelet analysis, CNN, RNN, RCNN

=== Критерии оценки ===
TBA

=== Похожие проекты ===
http://wiki.cs.hse.ru/Идентификация_частиц_в_LHCb_(командный_проект)

=== Контактная информация ===
* Алина Денисова
*
[[Файл:Telegram_ico.png|мини]] Андрей Устюжанин
* Алексей Осадчий

LAMBDA: Использование глубинных сетей для анализа эмоций по ЭЭГ (командный проект)

2017-10-13T22:13:43Z

Austyuzhanin:

{{Карточка_командного_проекта
|name=LAMBDA: Использование глубинных сетей для анализа эмоций по ЭЭГ
|company=ВШЭ
|semester=Осень 2017
|course=3
|number_of_students=15
|categorize=yes
}}

=== Что это за проект? ===
Получение оптимального с некоторой точки зрения энкодера многоканальных ЭЭГ сигналов, сопоставление результатов сверточных сетей с результатми, получаемыми при помощи Optimal Wavelet Packet analysis, применение полученного словаря к задаче декодирования состояний в идеомоторном интерфейсе с испльзование технологии transfer learning

https://www.dropbox.com/s/t5sapzkq8b7uwid/HSE_3B_projects.pdf?dl=0
https://arxiv.org/pdf/1709.08820.pdf

=== Чему научатся студенты? Что самое интересное в проекте? ===
командной работе над data science задачами на примере задачи из нейроинформатики

=== Организация работы (Как студенты будут работать в команде?) ===
agile research & citizen science

=== Компоненеты (Из каких частей состоит проект?) ===
0. подготовка данных для дальнейшего анализа, приведение к единому формату

1. Разложение на вейвлеты базиса при помощи WPT анализа и построение автоэнкодера временной динамики (без учета пространственной структуры), сопоставление с оптимальным базисом, построенным с использованием энтропийного критерия и Wavelet Packet Tree (WPT) decomposition

2. Использование сверточных (вместо вэйвлетов) сетей как фронт-энда автоэнкодера и сопоставление частотных характеристик выученных сверток с частотными характеристиками базисных векторов энтропийного WPT базиса и выученной в (пункте 1) комбинации вэйвлет компонент
оценка качества разложения

3. 1 и 2 с учетом пространственной структуры ЭЭГ

4. 3 , но на основе результатов решения обратной задачи , т.е. используя не активнось сенсоров, а активность источников на коре, оценненных при пмощи методики решения ОЗ ЭЭГ.

5. Во всех пунктах возможны различные варианты используемых архитектур нейросетей

=== Какие будут использоваться технологии? ===
keras, tensorflow, convolutional neural networks, reinforcement learning

=== Какие начальные требования? ===
умение обучать нейросетки на tensorflow

=== Темы вводных занятий ===
Нейросети, Wavelet analysis, CNN, RNN, RCNN

=== Критерии оценки ===
TBA

=== Похожие проекты ===
http://wiki.cs.hse.ru/Идентификация_частиц_в_LHCb_(командный_проект)

=== Контактная информация ===
* Алина Денисова
*
[[Файл:Telegram ico.png|мини]] Андрей Устюжанин
* Алексей Осадчий

Файл:Telegram ico.png

2017-10-13T22:12:59Z

Austyuzhanin:

LAMBDA: Использование глубинного обучения для анализа эмоций по ЭЭГ (командный проект)

2017-10-13T21:48:17Z

Austyuzhanin: Новая страница, с помощью формы Новый_командный_проект

{{Карточка_командного_проекта
|name=LAMBDA: Использование глубинного обучения для анализа эмоций по ЭЭГ
|company=LAMBDA
|semester=Осень 2017
|course=3
|number_of_students=10
|categorize=yes
}}

=== Что это за проект? ===
TBA

=== Чему научатся студенты? Что самое интересное в проекте? ===
TBA

=== Организация работы (Как студенты будут работать в команде?) ===
TBA

=== Компоненеты (Из каких частей состоит проект?) ===
TBA

=== Какие будут использоваться технологии? ===
TBA

=== Какие начальные требования? ===
TBA

=== Темы вводных занятий ===
TBA

=== Критерии оценки ===
TBA

=== Похожие проекты ===
TBA

=== Контактная информация ===
https://telegram.me/anaderiRu

Использование глубинных сетей для анализа эмоций по ЭЭГ (командный проект)

2017-10-13T19:30:39Z

Austyuzhanin: Austyuzhanin переименовал страницу Использование глубинных сетей для анализа эмоций по ЭЭГ (командный проект) в [[LAMBDA: Использование глубинн…

#перенаправление [[LAMBDA: Использование глубинных сетей для анализа эмоций по ЭЭГ (командный проект)]]

LAMBDA: Использование глубинных сетей для анализа эмоций по ЭЭГ (командный проект)

2017-10-13T19:30:39Z

LAMBDA: Использование глубинных сетей для анализа эмоций по ЭЭГ (командный проект)

2017-10-13T19:29:35Z

Austyuzhanin:

LAMBDA: Идентификация частиц в LHCb (командный проект)

2017-10-13T18:02:37Z

Austyuzhanin:

{{Карточка_командного_проекта
|name=Идентификация частиц в LHCb
|company=Yandex
|semester=Осень 2017
|course=3
|number_of_students=15
|categorize=yes
}}

=== Что это за проект? ===
Получить модель идентификации частиц в данных, полученных на Большом адронном коллайдере. Тренировка будет проводиться с использованием полностью симулированных событий эксперимента LHCb, финальное тестирование пройдёт на данных, набранных в 2017 году.

Презентация:
https://www.dropbox.com/s/ro3nd8wy9zx10o1/citizen_science.key?dl=0

=== Чему научатся студенты? Что самое интересное в проекте? ===
командной работе над data science задачами на примере задачи из физики высоких энергий

=== Организация работы (Как студенты будут работать в команде?) ===
agile research & citizen science

=== Компоненеты (Из каких частей состоит проект?) ===
разработка алгоритма идентификации частиц мелкими нейросетями, воспроизведение бейзлайна

разработка алгоритма идентификации частиц алгоритмом градиентного бустинга

разработка алгоритма идентификации частиц глубокой нейросетью

ускорение работы моделей

разработка решения с заданными характеристиками одним из существующих методов

Проверка качества работы моделей на данных коллайдера

=== Какие будут использоваться технологии? ===
keras, xgboost, catboost,

=== Какие начальные требования? ===
основы машинного обучения

=== Темы вводных занятий ===
основы обработки данных в LHCb

=== Критерии оценки ===
TBA

=== Похожие проекты ===

http://wiki.cs.hse.ru/SHiP/OPERA_dark_matter_search_(командный_проект)

=== Контактная информация ===
* Артем Рыжиков
* Алина Денисова
* Андрей Устюжанин

LAMBDA: SHiP/OPERA dark matter search (командный проект)

2017-10-13T18:01:56Z

Austyuzhanin:

{{Карточка_командного_проекта
|name=SHiP/OPERA dark matter search
|company=Yandex/CERN
|semester=Осень 2017
|course=3
|number_of_students=15
|categorize=yes
}}

=== Что это за проект? ===
Построить алгоритм распознавания электро-магнитных ливней в данных детектора OPERA/SHiP.

Презентация:
https://www.dropbox.com/s/peme7gfrgvhym31/2017-citizen_science_projects.pdf?dl=0

=== Чему научатся студенты? Что самое интересное в проекте? ===
командной работе над data science задачами на примере задачи из физики высоких энергий

=== Организация работы (Как студенты будут работать в команде?) ===
agile research & citizen science

=== Компоненеты (Из каких частей состоит проект?) ===
генерация/подготовка данных

алгоритм распознавания ливня при известной вершине

вычисление различных метрик качества (precision/recall/energy resolution)

алгоритм распознавания ливня без информации о вершине

алгоритм распознавания нескольких непересекающихся ливней

алгоритм распознавания большого количества пересекающихся ливней

=== Какие будут использоваться технологии? ===
keras, xgboost, catboost,

=== Какие начальные требования? ===
основы машинного обучения, интерес к физике

=== Темы вводных занятий ===
основы обработки данных

=== Критерии оценки ===
TBA

=== Похожие проекты ===
http://wiki.cs.hse.ru/Идентификация_частиц_в_LHCb_(командный_проект)

=== Контактная информация ===
* Артем Филатов
* Влад Белавин
* Андрей Устюжанин

LAMBDA: Использование глубинных сетей для анализа эмоций по ЭЭГ (командный проект)

2017-10-13T16:18:31Z

Austyuzhanin:

{{Карточка_командного_проекта
|name=Использование глубинных сетей для анализа эмоций по ЭЭГ
|company=ВШЭ
|semester=Осень 2017
|course=3
|number_of_students=15
|categorize=yes
}}

=== Что это за проект? ===
Получение оптимального с некоторой точки зрения энкодера многоканальных ЭЭГ сигналов, сопоставление результатов сверточных сетей с результатми, получаемыми при помощи Optimal Wavelet Packet analysis, применение полученного словаря к задаче декодирования состояний в идеомоторном интерфейсе с испльзование технологии transfer learning

https://arxiv.org/pdf/1709.08820.pdf

=== Чему научатся студенты? Что самое интересное в проекте? ===
командной работе над data science задачами на примере задачи из нейроинформатики

=== Организация работы (Как студенты будут работать в команде?) ===
agile research & citizen science

=== Компоненеты (Из каких частей состоит проект?) ===
0. подготовка данных для дальнейшего анализа, приведение к единому формату

1. Разложение на вейвлеты базиса при помощи WPT анализа и построение автоэнкодера временной динамики (без учета пространственной структуры), сопоставление с оптимальным базисом, построенным с использованием энтропийного критерия и Wavelet Packet Tree (WPT) decomposition

2. Использование сверточных (вместо вэйвлетов) сетей как фронт-энда автоэнкодера и сопоставление частотных характеристик выученных сверток с частотными характеристиками базисных векторов энтропийного WPT базиса и выученной в (пункте 1) комбинации вэйвлет компонент
оценка качества разложения

3. 1 и 2 с учетом пространственной структуры ЭЭГ

4. 3 , но на основе результатов решения обратной задачи , т.е. используя не активнось сенсоров, а активность источников на коре, оценненных при пмощи методики решения ОЗ ЭЭГ.

5. Во всех пунктах возможны различные варианты используемых архитектур нейросетей

=== Какие будут использоваться технологии? ===
keras, tensorflow, convolutional neural networks, reinforcement learning

=== Какие начальные требования? ===
умение обучать нейросетки на tensorflow

=== Темы вводных занятий ===
TBA

=== Критерии оценки ===
TBA

=== Похожие проекты ===
http://wiki.cs.hse.ru/Идентификация_частиц_в_LHCb_(командный_проект)

=== Контактная информация ===
* Алина Денисова
* Андрей Устюжанин
* Алексей Осадчий

LAMBDA: Использование глубинных сетей для анализа эмоций по ЭЭГ (командный проект)

2017-10-13T16:17:49Z

Austyuzhanin:

{{Карточка_командного_проекта
|name=Использование глубинных сетей для анализа эмоций по ЭЭГ
|company=ВШЭ
|semester=Осень 2017
|course=3
|number_of_students=15
|categorize=yes
}}

=== Что это за проект? ===
Получение оптимального с некоторой точки зрения энкодера многоканальных ЭЭГ сигналов, сопоставление результатов сверточных сетей с результатми, получаемыми при помощи Optimal Wavelet Packet analysis, применение полученного словаря к задаче декодирования состояний в идеомоторном интерфейсе с испльзование технологии transfer learning

https://arxiv.org/pdf/1709.08820.pdf

=== Чему научатся студенты? Что самое интересное в проекте? ===
командной работе над data science задачами на примере задачи из нейроинформатики

=== Организация работы (Как студенты будут работать в команде?) ===
agile research & citizen science

=== Компоненеты (Из каких частей состоит проект?) ===
0. подготовка данных для дальнейшего анализа, приведение к единому формату

1. Разложение на вейвлеты базиса при помощи WPT анализа и построение автоэнкодера временной динамики (без учета пространственной структуры), сопоставление с оптимальным базисом, построенным с использованием энтропийного критерия и Wavelet Packet Tree (WPT) decomposition

2. Использование сверточных (вместо вэйвлетов) сетей как фронт-энда автоэнкодера и сопоставление частотных характеристик выученных сверток с частотными характеристиками базисных векторов энтропийного WPT базиса и выученной в (пункте 1) комбинации вэйвлет компонент
оценка качества разложения

3. 1 и 2 с учетом пространственной структуры ЭЭГ

4. 3 , но на основе результатов решения обратной задачи , т.е. используя не активнось сенсоров, а активность источников на коре, оценненных при пмощи методоики решения ОЗ ЭЭГ.

5. Во всех пунктах возможны варианты используемых архитектур ГУ

=== Какие будут использоваться технологии? ===
keras, tensorflow, convolutional neural networks, reinforcement learning

=== Какие начальные требования? ===
умение обучать нейросетки на tensorflow

=== Темы вводных занятий ===
TBA

=== Критерии оценки ===
TBA

=== Похожие проекты ===
http://wiki.cs.hse.ru/Идентификация_частиц_в_LHCb_(командный_проект)

=== Контактная информация ===
* Алина Денисова
* Андрей Устюжанин
* Алексей Осадчий

LAMBDA: Использование глубинных сетей для анализа эмоций по ЭЭГ (командный проект)

2017-10-13T16:17:30Z

Austyuzhanin:

{{Карточка_командного_проекта
|name=Использование глубинных сетей для анализа эмоций по ЭЭГ
|company=ВШЭ
|semester=Осень 2017
|course=3
|number_of_students=15
|categorize=yes
}}

=== Что это за проект? ===
Получение оптимального с некоторой точки зрения энкодера многоканальных ЭЭГ сигналов, сопоставление результатов сверточных сетей с результатми, получаемыми при помощи Optimal Wavelet Packet analysis, применение полученного словаря к задаче декодирования состояний в идеомоторном интерфейсе с испльзование технологии transfer learning

=== Чему научатся студенты? Что самое интересное в проекте? ===
командной работе над data science задачами на примере задачи из нейроинформатики

=== Организация работы (Как студенты будут работать в команде?) ===
agile research & citizen science

=== Компоненеты (Из каких частей состоит проект?) ===
0. подготовка данных для дальнейшего анализа, приведение к единому формату

1. Разложение на вейвлеты базиса при помощи WPT анализа и построение автоэнкодера временной динамики (без учета пространственной структуры), сопоставление с оптимальным базисом, построенным с использованием энтропийного критерия и Wavelet Packet Tree (WPT) decomposition

2. Использование сверточных (вместо вэйвлетов) сетей как фронт-энда автоэнкодера и сопоставление частотных характеристик выученных сверток с частотными характеристиками базисных векторов энтропийного WPT базиса и выученной в (пункте 1) комбинации вэйвлет компонент
оценка качества разложения

3. 1 и 2 с учетом пространственной структуры ЭЭГ

4. 3 , но на основе результатов решения обратной задачи , т.е. используя не активнось сенсоров, а активность источников на коре, оценненных при пмощи методоики решения ОЗ ЭЭГ.

5. Во всех пунктах возможны варианты используемых архитектур ГУ

=== Какие будут использоваться технологии? ===
keras, tensorflow, convolutional neural networks, reinforcement learning

=== Какие начальные требования? ===
умение обучать нейросетки на tensorflow

=== Темы вводных занятий ===
TBA

=== Критерии оценки ===
TBA

=== Похожие проекты ===
http://wiki.cs.hse.ru/Идентификация_частиц_в_LHCb_(командный_проект)

=== Контактная информация ===
* Алина Денисова
* Андрей Устюжанин
* Алексей Осадчий

LAMBDA: Идентификация частиц в LHCb (командный проект)

2017-10-13T16:14:01Z

Austyuzhanin: /* Что это за проект? */

{{Карточка_командного_проекта
|name=Идентификация частиц в LHCb
|company=Yandex
|semester=Осень 2017 - Весна 2018
|course=3
|number_of_students=15
|categorize=yes
}}

=== Что это за проект? ===
Получить модель идентификации частиц в данных, полученных на Большом адронном коллайдере. Тренировка будет проводиться с использованием полностью симулированных событий эксперимента LHCb, финальное тестирование пройдёт на данных, набранных в 2017 году.

Презентация:
https://www.dropbox.com/s/ro3nd8wy9zx10o1/citizen_science.key?dl=0

=== Чему научатся студенты? Что самое интересное в проекте? ===
командной работе над data science задачами на примере задачи из физики высоких энергий

=== Организация работы (Как студенты будут работать в команде?) ===
agile research & citizen science

=== Компоненеты (Из каких частей состоит проект?) ===
разработка алгоритма идентификации частиц мелкими нейросетями, воспроизведение бейзлайна

разработка алгоритма идентификации частиц алгоритмом градиентного бустинга

разработка алгоритма идентификации частиц глубокой нейросетью

ускорение работы моделей

разработка решения с заданными характеристиками одним из существующих методов

Проверка качества работы моделей на данных коллайдера

=== Какие будут использоваться технологии? ===
keras, xgboost, catboost,

=== Какие начальные требования? ===
основы машинного обучения

=== Темы вводных занятий ===
основы обработки данных в LHCb

=== Критерии оценки ===
TBA

=== Похожие проекты ===

http://wiki.cs.hse.ru/SHiP/OPERA_dark_matter_search_(командный_проект)

=== Контактная информация ===
* Артем Рыжиков
* Алина Денисова
* Андрей Устюжанин

LAMBDA: SHiP/OPERA dark matter search (командный проект)

2017-10-13T12:09:54Z

Austyuzhanin:

{{Карточка_командного_проекта
|name=SHiP/OPERA dark matter search
|company=Yandex/CERN
|semester=Осень 2017 - Весна 2018
|course=3
|number_of_students=15
|categorize=yes
}}

=== Что это за проект? ===
Построить алгоритм распознавания электро-магнитных ливней в данных детектора OPERA/SHiP.

Презентация:
https://www.dropbox.com/s/peme7gfrgvhym31/2017-citizen_science_projects.pdf?dl=0

=== Чему научатся студенты? Что самое интересное в проекте? ===
командной работе над data science задачами на примере задачи из физики высоких энергий

=== Организация работы (Как студенты будут работать в команде?) ===
agile research & citizen science

=== Компоненеты (Из каких частей состоит проект?) ===
генерация/подготовка данных

алгоритм распознавания ливня при известной вершине

вычисление различных метрик качества (precision/recall/energy resolution)

алгоритм распознавания ливня без информации о вершине

алгоритм распознавания нескольких непересекающихся ливней

алгоритм распознавания большого количества пересекающихся ливней

=== Какие будут использоваться технологии? ===
keras, xgboost, catboost,

=== Какие начальные требования? ===
основы машинного обучения, интерес к физике

=== Темы вводных занятий ===
основы обработки данных

=== Критерии оценки ===
TBA

=== Похожие проекты ===
http://wiki.cs.hse.ru/Идентификация_частиц_в_LHCb_(командный_проект)

=== Контактная информация ===
* Артем Филатов
* Влад Белавин
* Андрей Устюжанин

LAMBDA: Идентификация частиц в LHCb (командный проект)

2017-10-13T12:05:55Z

Austyuzhanin:

{{Карточка_командного_проекта
|name=Идентификация частиц в LHCb
|company=Yandex
|semester=Осень 2017 - Весна 2018
|course=3
|number_of_students=15
|categorize=yes
}}

=== Что это за проект? ===
Получить модель идентификации частиц в данных, полученных на Большом адронном коллайдере. Тренировка будет проводиться с использованием полностью симулированных событий эксперимента LHCb, финальное тестирование пройдёт на данных, набранных в 2017 году.

Презентация:
https://www.dropbox.com/s/ro3nd8wy9zx10o1/citizen_science.key?dl=0

Постер:
https://www.dropbox.com/s/9lpg81hld6ax9g1/pid_poster_v3.pdf?dl=0

=== Чему научатся студенты? Что самое интересное в проекте? ===
командной работе над data science задачами на примере задачи из физики высоких энергий

=== Организация работы (Как студенты будут работать в команде?) ===
agile research & citizen science

=== Компоненеты (Из каких частей состоит проект?) ===
разработка алгоритма идентификации частиц мелкими нейросетями, воспроизведение бейзлайна

разработка алгоритма идентификации частиц алгоритмом градиентного бустинга

разработка алгоритма идентификации частиц глубокой нейросетью

ускорение работы моделей

разработка решения с заданными характеристиками одним из существующих методов

Проверка качества работы моделей на данных коллайдера

=== Какие будут использоваться технологии? ===
keras, xgboost, catboost,

=== Какие начальные требования? ===
основы машинного обучения

=== Темы вводных занятий ===
основы обработки данных в LHCb

=== Критерии оценки ===
TBA

=== Похожие проекты ===

http://wiki.cs.hse.ru/SHiP/OPERA_dark_matter_search_(командный_проект)

=== Контактная информация ===
* Артем Рыжиков
* Алина Денисова
* Андрей Устюжанин

LAMBDA: Идентификация частиц в LHCb (командный проект)

2017-10-13T12:05:27Z

Austyuzhanin:

{{Карточка_командного_проекта
|name=Идентификация частиц в LHCb
|company=Yandex
|semester=Осень 2017 - Весна 2018
|course=3
|number_of_students=15
|categorize=yes
}}

=== Что это за проект? ===
Получить модель идентификации частиц в данных, полученных на Большом адронном коллайдере. Тренировка будет проводиться с использованием полностью симулированных событий эксперимента LHCb, финальное тестирование пройдёт на данных, набранных в 2017 году.

Презентация:
https://www.dropbox.com/s/ro3nd8wy9zx10o1/citizen_science.key?dl=0

Постер:
https://www.dropbox.com/s/9lpg81hld6ax9g1/pid_poster_v3.pdf?dl=0

=== Чему научатся студенты? Что самое интересное в проекте? ===
командной работе над data science задачами на примере задачи из физики высоких энергий

=== Организация работы (Как студенты будут работать в команде?) ===
agile research & citizen science

=== Компоненеты (Из каких частей состоит проект?) ===
разработка алгоритма идентификации частиц мелкими нейросетями, воспроизведение бейзлайна

разработка алгоритма идентификации частиц алгоритмом градиентного бустинга

разработка алгоритма идентификации частиц глубокой нейросетью

ускорение работы моделей

разработка решения с заданными характеристиками одним из существующих методов

Проверка качества работы моделей на данных коллайдера

=== Какие будут использоваться технологии? ===
keras, xgboost, catboost,

=== Какие начальные требования? ===
основы машинного обучения

=== Темы вводных занятий ===
основы обработки данных в LHCb

=== Критерии оценки ===
TBA

=== Похожие проекты ===

http://wiki.cs.hse.ru/SHiP/OPERA_dark_matter_search_(командный_проект)

=== Контактная информация ===
Артем Рыжиков
Алина Денисова
Андрей Устюжанин

LAMBDA: Идентификация частиц в LHCb (командный проект)

2017-10-13T12:04:04Z

Austyuzhanin:

{{Карточка_командного_проекта
|name=Идентификация частиц в LHCb
|company=Yandex
|semester=Осень 2017 - Весна 2018
|course=3
|number_of_students=15
|categorize=yes
}}

=== Что это за проект? ===
Получить модель идентификации частиц в данных, полученных на Большом адронном коллайдере. Тренировка будет проводиться с использованием полностью симулированных событий эксперимента LHCb, финальное тестирование пройдёт на данных, набранных в 2017 году.

Презентация:
https://www.dropbox.com/s/ro3nd8wy9zx10o1/citizen_science.key?dl=0

Постер:
https://www.dropbox.com/s/9lpg81hld6ax9g1/pid_poster_v3.pdf?dl=0

=== Чему научатся студенты? Что самое интересное в проекте? ===
командной работе над data science задачами на примере задачи из физики высоких энергий

=== Организация работы (Как студенты будут работать в команде?) ===
agile research & citizen science

=== Компоненеты (Из каких частей состоит проект?) ===
разработка алгоритма идентификации частиц мелкими нейросетями, воспроизведение бейзлайна

разработка алгоритма идентификации частиц алгоритмом градиентного бустинга

разработка алгоритма идентификации частиц глубокой нейросетью

ускорение работы моделей

разработка решения с заданными характеристиками одним из существующих методов

Проверка качества работы моделей на данных коллайдера

=== Какие будут использоваться технологии? ===
keras, xgboost, catboost,

=== Какие начальные требования? ===
основы машинного обучения

=== Темы вводных занятий ===
основы обработки данных в LHCb

=== Критерии оценки ===
TBA

=== Похожие проекты ===

http://wiki.cs.hse.ru/SHiP/OPERA_dark_matter_search_(командный_проект)

=== Контактная информация ===
Артем Рыжиков

LAMBDA: Идентификация частиц в LHCb (командный проект)

2017-10-13T12:01:39Z

Austyuzhanin: +ссылка

{{Карточка_командного_проекта
|name=Идентификация частиц в LHCb
|company=TBA
|semester=Осень 2017
|course=3
|number_of_students=TBA
|categorize=yes
}}

=== Что это за проект? ===
Получить модель идентификации частиц в данных, полученных на Большом адронном коллайдере. Тренировка будет проводиться с использованием полностью симулированных событий эксперимента LHCb, финальное тестирование пройдёт на данных, набранных в 2017 году.

Презентация:
https://www.dropbox.com/s/ro3nd8wy9zx10o1/citizen_science.key?dl=0

Постер:
https://www.dropbox.com/s/9lpg81hld6ax9g1/pid_poster_v3.pdf?dl=0

=== Чему научатся студенты? Что самое интересное в проекте? ===
командной работе над data science задачами на примере задачи из физики высоких энергий

=== Организация работы (Как студенты будут работать в команде?) ===
agile research & citizen science

=== Компоненеты (Из каких частей состоит проект?) ===
разработка алгоритма идентификации частиц мелкими нейросетями, воспроизведение бейзлайна

разработка алгоритма идентификации частиц алгоритмом градиентного бустинга

разработка алгоритма идентификации частиц глубокой нейросетью

ускорение работы моделей

разработка решения с заданными характеристиками одним из существующих методов

Проверка качества работы моделей на данных коллайдера

=== Какие будут использоваться технологии? ===
keras, xgboost, catboost,

=== Какие начальные требования? ===
основы машинного обучения

=== Темы вводных занятий ===
основы обработки данных в LHCb

=== Критерии оценки ===
TBA

=== Похожие проекты ===

http://wiki.cs.hse.ru/SHiP/OPERA_dark_matter_search_(командный_проект)

=== Контактная информация ===
Артем Рыжиков

LAMBDA: Идентификация частиц в LHCb (командный проект)

2017-10-13T11:57:46Z

Austyuzhanin: добавлены детали

{{Карточка_командного_проекта
|name=Идентификация частиц в LHCb
|company=TBA
|semester=Осень 2017
|course=3
|number_of_students=TBA
|categorize=yes
}}

=== Что это за проект? ===
Получить модель идентификации частиц в данных, полученных на Большом адронном коллайдере. Тренировка будет проводиться с использованием полностью симулированных событий эксперимента LHCb, финальное тестирование пройдёт на данных, набранных в 2017 году.

Презентация:
https://www.dropbox.com/s/ro3nd8wy9zx10o1/citizen_science.key?dl=0

Постер:
https://www.dropbox.com/s/9lpg81hld6ax9g1/pid_poster_v3.pdf?dl=0

=== Чему научатся студенты? Что самое интересное в проекте? ===
командной работе над data science задачами на примере задачи из физики высоких энергий

=== Организация работы (Как студенты будут работать в команде?) ===
agile research & citizen science

=== Компоненеты (Из каких частей состоит проект?) ===
разработка алгоритма идентификации частиц мелкими нейросетями, воспроизведение бейзлайна

разработка алгоритма идентификации частиц алгоритмом градиентного бустинга

разработка алгоритма идентификации частиц глубокой нейросетью

ускорение работы моделей

разработка решения с заданными характеристиками одним из существующих методов

Проверка качества работы моделей на данных коллайдера

=== Какие будут использоваться технологии? ===
keras, xgboost, catboost,

=== Какие начальные требования? ===
основы машинного обучения

=== Темы вводных занятий ===
основы обработки данных в LHCb

=== Критерии оценки ===
TBA

=== Похожие проекты ===
TBA

=== Контактная информация ===
Артем Рыжиков

LAMBDA: Идентификация частиц в LHCb (командный проект)

2017-10-13T11:39:52Z

Austyuzhanin:

{{Карточка_командного_проекта
|name=Идентификация частиц в LHCb
|company=TBA
|semester=Осень 2017
|course=3
|number_of_students=TBA
|categorize=yes
}}

=== Что это за проект? ===
Получить модель идентификации частиц в данных, полученных на Большом адронном коллайдере. Тренировка будет проводиться с использованием полностью симулированных событий эксперимента LHCb, финальное тестирование пройдёт на данных, набранных в 2017 году.

https://www.dropbox.com/s/ro3nd8wy9zx10o1/citizen_science.key?dl=0

=== Чему научатся студенты? Что самое интересное в проекте? ===
TBA

=== Организация работы (Как студенты будут работать в команде?) ===
TBA

=== Компоненеты (Из каких частей состоит проект?) ===
разработка алгоритма идентификации частиц мелкими нейросетями, воспроизведение бейзлайна

разработка алгоритма идентификации частиц алгоритмом градиентного бустинга

разработка алгоритма идентификации частиц глубокой нейросетью

ускорение работы моделей

разработка решения с заданными характеристиками одним из существующих методов

Проверка качества работы моделей на данных коллайдера

=== Какие будут использоваться технологии? ===
TBA

=== Какие начальные требования? ===
TBA

=== Темы вводных занятий ===
TBA

=== Критерии оценки ===
TBA

=== Похожие проекты ===
TBA

=== Контактная информация ===
Артем Рыжиков