Системы искусственного интеллекта

Декан факультета компьютерных наук главный научный сотрудник, заведующий лабораторией факультета компьютерных наук / научно-учебной лаборатории алгебраических групп преобразований НИУ ВШЭ

Руководитель департамента, доцент факультета компьютерных наук / департамента больших данных и информационного поиска, преподаватель центра организации обучения студентов для топ-специалистов в сфере искусственного интеллекта, академический руководитель образовательной программы «прикладная математика и информатика» НИУ ВШЭ

Заведующий кафедрой информационных систем и методов искусственного интеллекта, «Лауреат премии мэра г.Улан-Удэ для молодых ученых». Специализация: прикладной анализ данных, машинное обучение и искусственный интеллект.

Руководитель Молодёжной инновационной студии по цифровым решениям, старший преподаватель кафедры информационных систем и методов искусственного интеллекта. Специализация: объектно-ориентированное программирование, web-разработка, мобильная разработка, цифровые сервисы в здравоохранении и образовании

Ведущий инженер лаборатории программных систем, старший преподаватель кафедры информационных систем и методов искусственного интеллекта. Специализация: базы данных, web-разработка, цифровые сервисы в здравоохранении и образовании.

Изучение моделей структур данных и способов классификации СУБД в зависимости от реализуемых моделей данных и способов их использования. Подробное изучение реляционной (SQL) и нереляционной (NoSQL) моделей данных и СУБД (PostgresSQL, MS SQL, MySQL, MongoDB). Практика проектирования база данных и решения задач с использованием языка SQL.

Основы статистического и интеллектуального анализа данных. Разбор классических моделей машинного обучения и инструментов их реализации. Топовые алгоритмы кластеризации, классификации и регрессии: DBSCAN, SVM, ансамбли (бустинг), байесовские алгоритмы, нейронные сети и т.д.

Разбор современных методов обучения нейронные сетей. Обзор, анализ и применение современных архитектур глубоких нейронных сетей: сверточные и рекуррентные сети, автокодировщики, модели внимания, трансформеры, генеративные сети. Прикладные задачи глубокого обучения: компьютерное зрение, распознавание речи, обработка естественного языка, биоинформатика.

Методы преобразования и фильтрации изображений. Применение спец-инструментов разметки изображений. Обзор готовых датасетов. Обзор и анализ передовых нейросетевых архитектур детекции, классификации, сегментации, трекинга объектов на изображении: ResNet, EfficientNet, Vision Transformers, FCN, U‑Net, Mask R‑CMM, YOLO. Рассматриваются модели специального назначения, например, для распознавания лиц: face recognition, FaceNet и т.п.

Обзор современных источников биомедицинских сигналов. Классические методы фильтрации сигналов, подавление шумов. Методы спектрального анализа, в т.ч. преобразование Фурье, вейвлет-преобразование. Контурный (структурный) анализ на примере сфигмограммы. Обзор математико-алгоритмических способов извлечения информативных признаков медико-биологических сигналов.