Yandex
ML Prize

Вместе с ростом числа студентов развивает и саму программу: обновляет содержание, выстраивает гибкие образовательные траектории и использует ИИ‑инструменты в учебном процессе.

Программа охватывает весь цикл создания ML‑решений: от сбора и обработки данных и обучения моделей до их внедрения в высоконагруженные сервисы и поддержки с помощью MLOps. Такая подготовка позволяет выпускникам выбирать разные профессиональные траектории: например, развиваться в ML‑инженерии и Data Science или заниматься исследованиями.

Под его руководством программа вышла за рамки классической робототехники: к механике и управлению добавились машинное обучение и компьютерное зрение.

Сергей также создал международную лабораторию по робототехнике, куда студенты приходят продолжать исследовательскую и проектную работу.

На курсе студенты изучают нейросетевое ранжирование, трансформеры, графовые нейросети и генеративные модели. Значительная часть обучения посвящена исследовательской практике: учащиеся разбирают актуальные научные статьи, воспроизводят описанные методы и учатся формулировать и проверять собственные гипотезы.

Она длится 4 семестра и соединяет математический фундамент МФТИ с современными задачами индустрии.

Студенты изучают статистику, машинное и глубокое обучение и прикладную аналитику. Они разбирают математические основы методов машинного обучения, исследуют архитектуры нейросетей и учатся проверять корректность выводов на практике.

Он следует за развитием генеративного ИИ: студенты разбирают диффузионные, мультимодальные и 3D‑модели, а в домашних заданиях работают с современными технологиями из научных статей последних лет.

За два года VisualGenAI вырос из недельного интенсива в полноценный семестровый курс. Среди его слушателей не только студенты ШАДа: тех, кто записывается на курс отдельно, сейчас почти столько же, сколько студентов Школы.

На занятиях студенты сами выводят алгоритмы математически, разбирают их ограничения и реализуют с нуля. Такой фундамент позволяет самостоятельно осваивать новые методы — в том числе те, которые только появляются в научных публикациях и ещё не успели попасть в учебники.

Константин также написал книгу об обучении с подкреплением и его применении к большим языковым моделям, которую переводят на китайский и французский языки.

В программе почти нет традиционных лекций: студенты выполняют 12 заданий, самостоятельно ищут решения, а затем обсуждают на занятиях разные подходы и результаты.

За курс студенты успевают поработать с таблицами, текстами и геоданными, освоить статистические методы и классические модели машинного обучения. Отдельное внимание уделено тому, как понятно оформлять результаты и объяснять свои выводы.

Программу Таисия составила на основе собственного опыта и интервью с практикующими аналитиками, чтобы приблизить обучение к реальной работе с данными.

Он собрал более 3000 слушателей.

Этот опыт лёг в основу курса «Дизайн современных LLM» в НИУ ВШЭ. На нём студенты проходят путь от знакомства с архитектурой больших языковых моделей к самостоятельной разработке: готовят данные, дообучают модели под конкретные задачи, подключают внешние источники, оценивают качество и безопасность и доводят решения до работающих прототипов.