• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
vision Версия для слабовидящих
Расширенный поиск по сайту
Меню
Учебные курсы
ФКН
НИУ ВШЭ в Нижнем Новгороде
vision Версия для слабовидящих
Расширенный поиск по сайту
Кафедра прикладной математики и информатики (Нижний Новгород)
Факультет информатики, математики и компьютерных наук (Нижний Новгород)
Кафедра прикладной математики и информатики (Нижний Новгород)
Контакты

603093 Н.Новгород, ул. Родионова, д. 136, 406 к.

Тел: (831) 436-13-97
E-mail: kaf_pmi@hse.ru

Менеджер кафедры прикладной математики и информатики 

Трехлеб Ольга Юрьевна

603093 Н.Новгород, ул. Родионова, д. 136, 409 к.

Тел: 8 (831) 432-009

E-mail: otrehleb@hse.ru

О кафедре

Кафедра ПМИ создана в 2006 году как выпускающая кафедра по направлению "Прикладная математика и информатика".

Целью деятельности кафедры «Прикладной математики и информатики» является подготовка высококвалифицированных специалистов (бакалавров и магистров) по направлению 010500 «Прикладная математика и информатика», обладающих знаниями и квалификацией, необходимыми для профессионального моделирования и информационного обеспечения экономических и бизнес процессов, анализа и обработки данных.

Научная деятельность

Кафедра выполняет межкафедральные (кафедры Информационных систем и технологий, Математики и др.) исследовательские проекты, национальные проекты в составе общих исследовательских групп (РФФИ, проекты Минобрнауки РФ и др.) с участием  партнеров из Института прикладной математики им. М. Келдыша РАН, Математического института им. В. Стеклова РАН, Института прикладной физики РАН, МГУ им. М. Ломоносова, ННГУ им Н. Лобачевского. Осуществляется международное сотрудничество с различными научными центрами Европы и США.

Публикации
Книга
Теория вероятностей и математическая статистика. 2-е изд.

Колданов А. П., Колданов П. А.

М.: Издательский дом НИУ ВШЭ, 2024.

Статья
О числе Рамсея R(K_{1,s},P_t)
В печати

Абдуллин Х. Х., Мокеев Д. Б., Талецкий Д. С.

Математические заметки. 2026. Т. 119. № 1. С. 1-6.

Глава в книге
ALOE: Boosting Large Language Model Fine-Tuning with Aggressive Loss-Based Elimination of Samples

Demidovskij A., Трутнев А. И., Тугарев А. М. et al.

In bk.: Frontiers in Artificial Intelligence and Applications: 27th European Conference on Artificial Intelligence, 19–24 October 2024, Santiago de Compostela, Spain. Vol. 392. IOS Press Ebooks, 2024. P. 3980-3986.

Препринт
The Gamma-Theta Conjecture holds for planar graphs

Taletskii D.

math. arXiv. Cornell University, 2024

Все публикации

Introduction to neural network and machine translation

2022/2023
Учебный год
ENG
Обучение ведется на английском языке
8
Кредиты
Лучший по критерию «Полезность курса для Вашей будущей карьеры»
Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Кто читает:
Кафедра прикладной математики и информатики (Нижний Новгород) (Факультет информатики, математики и компьютерных наук (Нижний Новгород))
Статус:
Курс по выбору
Когда читается:
4-й курс, 2, 3 модуль

Преподаватели

Малафеев Алексей Юрьевич

Малафеев Алексей Юрьевич

Орлов Михаил Максимович

Орлов Михаил Максимович

Course Syllabus

Full SyllabusAsk Question

Abstract

The course introduces basic concepts of neural networks, deep learning and machine translation.
Learning Objectives

Learning Objectives

  • The purpose of the ciyrse is to develop the ability to use neural network in their research and applied projects.
Expected Learning Outcomes

Expected Learning Outcomes

  • Has an idea of principles of building neural networks
  • Has an idea of the features of convolutional networks
  • Has an idea of the principles of neural networks training
  • Is able to work with Python libraries
  • Has an idea about the regularisation features
  • Has an idea of the basic principles of machine translation
Course Contents

Course Contents

  • Deep Learning
  • The Building Blocks of Neural Networks
  • Classification and Regression with Neural Networks
  • Fundamentals of Machine Learning
  • The Workflow of Machine Learning
  • The Transformer Architecture
  • Sequence-to-sequence learning
  • Modern Architectures for NLP
Assessment Elements

Assessment Elements

  • non-blocking Test
  • non-blocking Laboratory work 1
  • non-blocking Laboratory work 2
  • non-blocking Exam
Interim Assessment

Interim Assessment

  • 2022/2023 3rd module
    0.15 * Laboratory work 2 + 0.15 * Laboratory work 1 + 0.3 * Test + 0.4 * Exam
Bibliography

Bibliography

Recommended Core Bibliography

  • Kelleher, J. D. (2019). Deep Learning. Cambridge: The MIT Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=2234376

Recommended Additional Bibliography

  • Антонио, Д. Библиотека Keras – инструмент глубокого обучения. Реализация нейронных сетей с помощью библиотек Theano и TensorFlow / Д. Антонио, П. Суджит , перевод с английского А. А. Слинкин. — Москва : ДМК Пресс, 2018. — 294 с. — ISBN 978-5-97060-573-8. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/111438 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.

Authors

  • FOKINA MARGARITA ANDREEVNA
  • MALAFEEV ALEKSEY YUREVICH