Что изучают студенты на специализации «Анализ данных и машинное обучение»?

На втором курсе студенты программы «Прикладная математика и информатика» выбирают для себя специализацию — направление, которое они будут углубленно изучать на протяжении последующих двух лет. Всего ребятам предлагается пять специализаций: «Анализ данных и машинное обучение», «Биоинформатика», «Разработка программного обеспечения», «Теория языков программирования» и «Теоретическая информатика». Что изучают и над какими проектами работают студенты на первой специализации — «Анализ данных и машинное обучение» — рассказывает ее руководитель, заведующий центром анализа данных и машинного обучения НИУ ВШЭ — Санкт-Петербург Алексей Шпильман.

© iStock

Алексей Шпильман, заведующий центром анализа данных и машинного обучения

Рассмотрим использование анализа данных и машинного обучения на примере социальных сетей. Так, если вы работаете в онлайн-ритейле, для выбора площадки вы будете анализировать данные: информацию по целевой аудитории, ее платежеспособности, месте проживания, интересах и множество других параметров. Если же вы являетесь сотрудником компании, например, «ВКонтакте», то будете применять алгоритмы машинного обучения, автоматизируя работу своей рекламной платформы и упрощая тем самым труд рекламодателей. 

Анализ данных широко применяется во всех отраслях экономики: в финансовой сфере это может быть оценка рисков при выдаче кредитов или страховании, в ритейле — оптимизация логистики, прогнозирование спроса на тот или иной товар и многое другое. Внедрение анализа данных приносит неплохие деньги как специалистам в этой области, так и компаниям. Однако это направление уже достаточно развито и в нем редко случаются какие-то нововведения. Самое интересное происходит в области машинного обучения.

В машинном обучении можно выделить два бурно развивающихся трека: это все, что связано с глубоким обучением — с нейронными сетями, их работой и свойствами; и глубокое обучение с подкреплением, которое чаще всего на слуху — машины, которые обыгрывают людей в шахматы или DoTa2. Один из наиболее ярких примеров глубокого обучения — технология Deepfake, видео с ее применением весьма популярны в интернете и собирают много лайков (например, вот это). 

Безусловно, существование подобной технологии наталкивает нас на вопрос о том, как  в дальнейшем отличать настоящее видео от того самого фейка. Пока разницу достаточно легко увидеть, но в будущем, вероятно, потребуется помощь искусственного интеллекта. Технология Face ID, которую используют производители смартфонов, также построена на основе машинного обучения. 

Если говорить о глубоком обучении с подкреплением, то тут стоит привести пример победы компьютера в игре DoTa2. С одной стороны, это еще один прорыв. А с другой — если перевести время, которое машина потратила на обучение, в количество игр, то получится, что на это у нее ушло 40 тысяч лет. И мы понимаем, что наша задача на ближайшее время — ускорить процесс машинного обучения. Эти задачи стоят в том числе и перед студентами программы «Прикладная математика и информатика». 

Как мы учим 

Наши студенты изучают такие дисциплины: теория оптимизации, статистика, введение в машинное обучение, веб-поиск и ранжирование, глубинное обучение, продвинутые техники машинного обучения, обработка естественного языка, распознавание и генерация речи, анализ изображений, обучение с подкреплением. Для всех дисциплин требуется сильная математическая подготовка, которую студенты получают на первых курсах бакалавриата. Следуя последним изменениям в индустрии, мы обновляем структуру и содержание отдельных курсов каждый год примерно на 30 %. 

Для большего понимания задач и вопросов, которые учатся решать студенты, приведу несколько примеров студенческих проектов. Олег Свидченко в своей статье на Habr рассказывает про обучение с подкреплением на примере окружения Mountain Car и показывает, что, используя знание о том, как устроена задача, ее можно решить значительно быстрее. Никита Сазанович — как учиться с помощью машинного обучения у экспертов в DoTa2. 

Не только учеба

Наши студенты участвуют и побеждают в международных соревнованиях по машинному обучению AI Driving Olympics, Flatlands, Learning to Run, Black Box Optimization. Соревнования помогают оценить собственный уровень, а также познакомиться с программистами со всего мира. Если хотите узнать о победах наших студентов, то заглядывайте в наш блог на Habr, там мы подробно разбираем предложенные нами решения.

Увлекающиеся наукой и теоретическими исследованиями публикуют свои первые статьи и участвуют в научных конференциях: NeurlPS, AAAI, ICML, AAMAS и других. 

Что дальше? 

После бакалавриата многие студенты решают продолжить обучение в магистратуре, поступая в том числе и на нашу программу «Машинное обучение и анализ данных».  Другие уходят в индустрию и работают в крупных IT-компаниях: JetBrains, «Яндекс», Google, Facebook и Nvidia. Среди выпускников есть и стартаперы, которые решили открыть свой бизнес и развивать собственные решения и продукты. 

Если вы хотите узнать более подробно о применении технологий машинного обучения, посмотрите лекцию на нашем YouTube-канале.