Master i matematik i maskinlæring

(Tidligere —'Statistisk læringsteori 'kandidatuddannelse)

Dette fælles program træner den næste generation af forskere til effektivt at udføre grundlæggende forskning og arbejde på nye udfordrende problemer inden for statistisk læringsteori. Dette felt er i forkant med forskellige discipliner inden for matematik og datalogi. Det er et af de mest dynamiske områder inden for moderne videnskab, der omfatter matematiske statistikker, maskinindlæring, optimering og information og kompleksitetsteori. Fra starten af programmet samarbejder eleverne i tematiske arbejdsgrupper og deltager aktivt i forskning, læring fra HSE og Skoltech-forskere samt førende globale specialister inden for statistik, optimering og maskinindlæring.

Programoversigt

Dette program står på krydset mellem forskellige discipliner inden for moderne matematik og datalogi, herunder statistik, optimering, læringsteori, informationsteori, kompleksitetsteori samt i skæringspunktet mellem videnskab og innovation inden for moderne informationsteknologi. Førende eksperter på HSE og Skoltech giver i fællesskab undervisning i dette unikke forskningsdrevne program.

Studerende deltager i en eller flere arbejdsgrupper (forskningsseminarer), hvor de bestemmer fokusområder for en indledende undersøgelsesrapport og derefter løser udfordringer i krydset mellem banebrydende forskning og teknologi inden for statistisk læringsteori. Disse seminarer er bygget på teamwork, da opgaverne udføres er så komplekse, at de ikke kan løses af en person alene. Studerende lærer, hvordan man effektivt samarbejder og samler deres forskellige kollektive færdigheder, kompetencer og oplevelser for at bestemme vellykkede løsninger til komplicerede problemer.

Programkurser undervises af førende HSE eksperter, herunder globalt anerkendte forskere som Dr. Yurii Nesterov, Dr. Denis Belomestny, Dr. Dmitry Vetrov, Dr. Andrei Sobolevski, Dr. Alexey Naumov og Dr. Quentin Paris. Forelæsninger leveres også af Skoltech-professorer, herunder Dr. Ivan Oseledets, Dr. Viktor Lempitsky, Dr. Evgeny Burnaev og Dr. Yury Maximov. Dette hold er ret ungt, men dets medlemmer har allerede opnået betydelige forskningsresultater.

Programmet samarbejder aktivt med det russiske videnskabsakademi Institut for informationsoverførselsproblemer samt med relevante fakulteter ved Moskva State University og Moscow Institute of Physics and Technology. Kandidater fortsætter med at arbejde for store russiske og internationale virksomheder og er i høj efterspørgsel efter deres usædvanlige matematiske færdigheder.

Kurser HSE /Skoltech

1. år

Grundkurser

• Moderne metoder til dataanalyse: Stokastisk beregning
• Projektseminar/ Innovationsværksted
• Numerisk lineær algebra
• Moderne metoder til beslutningstagning: Avancerede statistiske metoder
• Maskinelæring
• Højdimensionelle statistiske metoder

Valgfrie kurser

• Introduktion til datavidenskab
• Effektive algoritmer og datastrukturer
• Digital billedbehandling
• Information og kodningsteorier
• Deep Learning
• Geometriske metoder til maskinlæring

2. år

Grundkurser

• Moderne algoritmisk optimering
• Forskningsseminar

Valgfrie kurser

• Bayesianske metoder til maskinlæring
• Tilfældig matrixteori
• Neurobayesiske modeller

Programmet sigter mod at forberede forskere inden for de mest dynamiske og efterspurgte områder relateret til matematik og datalogi. Kandidater fra kandidatuddannelsen kan forfølge en praktisk eller forskningsorienteret karriere, som begge er populære inden for et af følgende områder:

• Analyse i branchen, rådgivning, forskellige former for foreninger og fonde, offentlige instanser, banker, investeringsfonde osv .;
• Ekspertaktiviteter i forbindelse med metodeudvikling, sandsynlighedsmodellering, statistiske skøn, transportplanlægning, optimering og prognoseopgaver samt udarbejdelse af effektive metoder, kontrolteknologier og dataanalyse inden for en række forskellige faglige specialiseringer;
• Yde teknisk support til analytiske og konsulentgrupper, der beskæftiger sig med maskinlæring, ingeniørdesign, finansiel analyse, modellering og optimering af transportnet;
• Deltagelse i ledelsesteams i analytiske, forsknings- og administrative afdelinger.

Kandidater fra Statistical Learning Theory Master -programmet vil modtage tilstrækkelig undervisning til at fortsætte med studier og forskning på førende globale og russiske centre for anvendt matematik, matematisk modellering og datalogi, såsom Laboratory of Stochastic Algorithms og Nonparametric Statistics Institute for Weierstrass Applied Analysis og Stochastics og Det Matematiske Fakultet, Humboldt University (Berlin), Catholic University of Louvain (Belgien), Joseph Fourier University (Grenoble), Max Planck Institute for Mathematics (Bonn), University of Mannheim, ENSAE ParisTech (Paris) og Steklov Matematisk Institut (Moskva). Desuden er mange førende virksomheder, såsom Yandex, Google, Microsoft, Bosch, Huawei og Siemens, meget interesserede i eksperter med en sådan baggrund.