Search results for “научные школы машинного обучения”

7 results

@konstantin_vorontsov

Константин Вячеславович Воронцов — профессор РАН, доктор физико-математических наук. Заведующий кафедрой «Математические методы прогнозирования» ВМК МГУ, где с 2021 года — профессор; заведующий лабораторией «Машинное обучение и семантический анализ» Института искусственного интеллекта МГУ (с 2022 года); заведующий кафедрой «Машинное обучение и цифровая гуманитаристика» МФТИ (с 2021 года); заведующий кафедрой «Интеллектуальные системы» МФТИ (с 2022 года), на которой работает с 2004 года; главный научный сотрудник отдела «Интеллектуальные системы» ВЦ ФИЦ ИУ РАН, где работает с 2001 года. Окончил МФТИ (1994) и аспирантуру ВЦ РАН (1997). Кандидатская диссертация «Локальные базисы в алгебраическом подходе к проблеме распознавания» (1999, специальность 01.01.09); докторская диссертация «Комбинаторная теория надёжности обучения по прецедентам» (2010, специальность 05.13.17). Автор комбинаторной теории надёжности обучения по прецедентам, оценивающей вероятность переобучения с учётом эффектов расслоения и сходства в семействах алгоритмов; основное направление его исследований — теория и методы аддитивной регуляризации тематических моделей (ARTM). С 2014 года — научный руководитель разработки библиотеки тематического моделирования с открытым кодом BigARTM, с 2019 года — поисково-рекомендательной системы SciSearch. Один из идеологов и администраторов ресурса MachineLearning.ru (с 2008 года). Медаль РАН с премией для молодых учёных (1999, совместно с Е. В. Нарыжным); почётное звание профессора РАН (2015); юбилейная медаль РАН «300 лет Российской академии наук» (2024); премия Yandex ML Prize в номинации «Зал славы» (2025). Автор курсов «Вероятностные тематические модели», «Математические методы анализа текстов», «Прикладной статистический анализ данных» и спецкурса по теории надёжности обучения по прецедентам; в 2008–2020 годах преподавал в Школе анализа данных Яндекса. С 2004 года читает годовой курс «Машинное обучение» в МФТИ и ВМК МГУ.

Machine Learning 1. Lecture 15. A Short Review of the Semester

2026LectureКонстантин Вячеславович Воронцов

A closing review of the first semester: empirical risk minimisation and gradient methods; underfitting, overfitting, multicollinearity and regularisation; optimisation formulations of supervised learning (regression, classification, ranking) and unsupervised learning (density, mixtures, clustering, one-class classification, semi-supervised learning, PU-learning, principal component analysis, autoencoders); the six scientific schools of machine learning — symbolism, evolutionism, analogism, Bayesianism, connectionism, compositionism — and their Soviet roots; estimate-calculating algorithms; practice: CRISP-DM, data preprocessing, model evaluation and selection, loss analysis, A/B testing, meta-learning and AutoML.

170

Machine Learning 2. Lecture 7. Recommender Systems

2026LectureКонстантин Вячеславович Воронцов

Collaborative filtering problems: transaction data, the clients–items matrix, filling in missing values and ranking recommendations, the Netflix Prize competition; user-based and item-based correlation methods, the Pearson, cosine and Jaccard similarity measures, Fisher's exact test; the sparse linear model SLIM; latent models and matrix factorisations: SVD, the alternating least squares method ALS, the latent factor model LFM and stochastic gradient, nonnegative matrix factorisations NNMF, PLSA; taking implicit preferences into account (implicit feedback); matrix factorisation as a linear autoencoder, neural network and denoising autoencoders; taking features of clients and items into account, factorisation machines libFM, a hypergraph topic model; the quality of recommendations: RMSE, precision@k, recall@k, diversity, novelty, coverage, serendipity, bias, offline and online evaluation.

140

Артём Авилов

@artem-avilov

Артём Алексеевич Авилов — доцент факультета математики НИУ ВШЭ и научный сотрудник Лаборатории алгебраической геометрии и её приложений (с 2017 года). Работает в Высшей школе экономики с 2012 года. Окончил механико-математический факультет МГУ имени М. В. Ломоносова (2012). Кандидат физико-математических наук (2016), диссертация «Автоморфизмы алгебраических многообразий и минимальные модели». В НИУ ВШЭ читает курсы по алгебраической геометрии — в 2026/27 учебном году «Алгебраические поверхности» и «Введение в теорию схем»; в Независимом московском университете осенью 2026 года читает курс «Алгебра-1».

Mathematical Analysis 1. Lecture 1

2026LectureСтанислав Шапошников

Naive set theory and Russell's paradox, Kuratowski's ordered pair and the Cartesian product, a function as a subset of a product, composition, injections, surjections and bijections, the group of bijections and the embedding of any group into it, equinumerosity and indicator functions, the Cantor–Bernstein and Cantor theorems.

290

Фёдор Попеленский

@theodore-popelensky

Фёдор Юрьевич Попеленский — доцент кафедры дифференциальной геометрии и приложений механико-математического факультета МГУ имени М. В. Ломоносова и учёный секретарь кафедры, доцент факультета математики и старший научный сотрудник Лаборатории зеркальной симметрии и автоморфных форм НИУ ВШЭ (с 2022 года). Доктор физико-математических наук (2026). Окончил мехмат МГУ с отличием в 1995 году и там же аспирантуру. Кандидатская диссертация «Современные приложения операдных методов в алгебраической топологии» (1999); докторская — «Алгебры Хопфа и их когомологии в задачах алгебраической топологии и гомологической алгебры» (2026, МИАН). На кафедре дифференциальной геометрии и приложений работает с 1998 года, доцент с 2005 года. Автор более 60 научных работ, в том числе 11 книг; руководил тремя диссертациями. Читает курсы дифференциальной геометрии, тензорного анализа и математических основ современной физики; в Независимом московском университете осенью 2026 года читает курс «Геометрия».

Probability Theory. Lecture 1

2026LectureСтанислав Шапошников

The finite probability space and five properties of probability, a description of all probability measures on a finite set, equally likely outcomes and the choice of a model, classical paradoxes (two dice, the division of the stakes, Bertrand's paradox), conditional probability and the product rule, the law of total probability as a way to define a measure, Bayes' formula, independence of events.

170