CS Space

Рассказываем о первом митапе CS Space! Стажировки в IT: взгляд студентов ⤵️

Хотите узнать реальный опыт стажировок от тех, кто их прошел? Приходите на наш митап, где студенты расскажут:
✔️ В каких компаниях стажировались и как туда попадали;
✔️ Какими проектами занимались и что получилось;
✔️ Что понравилось, а что можно улучшить;
✔️ Советы тем, кто только собирается подаваться.

Митап будет интересен как студентам, так и сотрудникам IT компаний для улучшения процесса стажировок.

В программе 5 небольших выступлений от студентов из различных компаний, живое обсуждение и неформальное общение. Первые два часа — выступления студентов, а оставшиеся два — нетворкинг и развлечения.

Ждём вас на наш митап, где студенты расскажут:
〰️ Владимир Давидюк. Т-банк — Аналитика и дерево метрик
〰️ Алексей Лотников. Яндекс — noML модели в Яндекс Поиске
〰️ Дмитрий Чучин. Agisoft — Фотограмметрия
〰️ Максим Костеров. Huawei — Смешанное целочисленное программирование
〰️ Анастасия Мозголина и Надежда Рощина. Сбер — ML R&D в сфере кредитования в Сбер.Риски

Дата и место
〰️ 29 мая с 19:00 до 23:00
〰️ Brosko Loft, Севкабель Порт
⚡️ Регистрация уже открыта. Количество мест ограничено.

Приходите пообщаться, завести новые знакомства и отлично провести вечер в неформальной обстановке! 🚀

[Лекция перенесена, о новой дате сообщим позже]
Интеллектуальные роботы: классические алгоритмы и обучаемые методы ⬇️

– Страница мероприятия
– 23 мая, 19:00 – 20:30
– Мраморный зал, ПОМИ РАН, наб. реки Фонтанки, 27, Санкт-Петербург
– Пожалуйста, не забудьте зарегистрироваться — это необходимое условие посещения

⭐️ О лекторе

Константин Сергеевич Яковлев, к.ф.-м.н., ведущий научный сотрудник ФИЦ ИУ РАН и AIRI, доцент ВШЭ, МФТИ, СПбГУ

📢 Анонс

Робототехника стремительно развивается и активно трансформирует наш мир. Логистика, автоматизированные склады, поисковые и спасательные миссии — далеко не полный список областей, где уже активно применяются роботы. Для того, чтобы их внедрение давало нужный эффект, они должны быть максимально интеллектуальными. Но что означает «интеллектуальный робот»? Как добиться от него интеллектуальности (и всегда ли это нужно)? Какие классические и современные подходы используются сегодня для построения систем управления роботами? Эти вопросы мы и обсудим в рамках предстоящего доклада-дискуссии.

Мы начинаем серию научно-популярных публикаций о классических и современных CS-результатах

Первая статья посвящена решению одной известной задачи на машине Тьюринга.

💡 Об авторе

Николай Владимирович Мальковский — кандидат физико-математических наук; Principal Engineer, Chebyshev Research Center; лектор МКН СПбГУ, ВШЭ.
Область интересов: практически-применимые эффективные алгоритмы и особенности их реализации.

📢 Анонс

На присуждении в 1974 году премии Тьюринга Дональду Кнуту сам лауреат сказал такие слова:

«Каждый из нас лишь выиграет, создавая время от времени "игрушечные" программы с заданными искусственными ограничениями, заставляющими нас до предела напрягать свои способности. Искусство решения мини задач на пределе своих возможностей оттачивает наше умение для реальных задач»

Предлагаю подумать над этим на досуге, а заодно представляю небольшую статью про машину Тьюринга развлекательного характера, цель которой — немного поразвлечь вас одной игрушечной задачей.

Случайные графы — открытая лекция Андрея Райгородского! ⬇️

24 мая в Мраморном зале ПОМИ выступит Андрей Михайлович Райгородский — директор Физтех-школы прикладной математики и информатики МФТИ, доктор физико-математических наук, замечательный и яркий лектор. В 2011 году именно с его лекций началось преподавание дискретной математики в Computer Science Center.

– Страница мероприятия
– 24 мая, 17:00 – 19:00
– Мраморный зал, ПОМИ РАН, наб. реки Фонтанки, 27, Санкт-Петербург
– Пожалуйста, не забудьте зарегистрироваться — это необходимое условие посещения

📢 Анонс

На лекции мы поговорим об одной весьма красивой и богатой приложениями науке — науке о случайных графах. Эта наука находится на стыке комбинаторики, теории графов и теории вероятностей. В основе ее лежит глубокая идея о том, что мощные инструменты современной теории вероятностей должны поспособствовать более верному осознанию природы графа, призваны помочь решению многих комбинаторных и теоретико-графовых задач. Лекция будет интересна широкой аудитории.

Андрей Михайлович рассказывает о сложных вещах понятно, живо и с блеском. Лекция будет интересна как студентам, так и опытным исследователям — приходите зарядиться вдохновением и задать свои вопросы!

Как оцифровать качество Поиска: от случайных запросов до ключевых метрик ⬇️

– Страница мероприятия
– 18 мая, 14:00 – 16:00
– Мраморный зал, ПОМИ РАН, наб. реки Фонтанки, 27, Санкт-Петербург
– Пожалуйста, не забудьте зарегистрироваться — это необходимое условие посещения

⭐️ О лекторе

Роман Бойкий
– Руководитель службы офлайн-метрик Яндекс Поиска
– IMO-2008 Gold medal
– Финалист ICPC-2012

📢 Анонс

Разберём на примерах, как математическая интуиция помогает системно оценивать качество продукта и задавать вектор его развития.

Видеокарты: что они могут? Могут ли они хоть что-то? ⬇️

– Страница мероприятия
– 17 мая, 17:00 – 19:00
– Мраморный зал, ПОМИ РАН, наб. реки Фонтанки, 27, Санкт-Петербург
– Пожалуйста, не забудьте зарегистрироваться — это необходимое условие посещения

⭐️ О лекторе

Николай Полярный
– Team Lead команды разработки Agisoft Metashape
– Автор курса фотограмметрии и курса алгоритмов на видеокартах
– Школьный учитель программирования

📢 Анонс

Процессор и видеокарта — в чём между ними разница? Если видеокарты так хороши — зачем нужен процессор? Чем отличаются OpenCL, CUDA и Vulkan? Что и когда выбрать для задачи? Как выглядят алгоритмы на видеокартах?

Обсудим, что такое вычисления в модели массового параллелизма. Что такое hyper-threading, occupancy, code divergence, coalesced memory access? Какие алгоритмы выигрывают от использования видеокарт?

Рассмотрим на примерах:
— merge-sort за O(N)* вместо O(N ⋅ log N),
— умножение матриц,
— real-time построение BVH-дерева (из этого вырос современный Ray Tracing).

Обсудим, как, понимая архитектуру компьютера хотя бы в общих чертах, можно оценить потенциал для ускорения с помощью разных методов оптимизации — даже без профилировщика.

Лекция будет сопровождаться кодом — с ним можно будет экспериментировать и после лекции. Также на лекции будут карлики и клоуны!

* merge-sort за O(N) — на видеокарте он, конечно, не работает строго за линию, но всё равно быстрее, чем на процессоре, в квинвигинтиллион** раз.

** В 123.9 раз.

Идёт набор в Школу анализа данных — легендарное место для тех, кто хочет фундаментально прокачаться в машинном обучении, Data Science и искусственном интеллекте 🔥

В ШАД приходят старшекурсники, аспиранты и специалисты с опытом, чтобы углубить знания, научиться мыслить нестандартно и перенять навыки экспертов из индустрии. Программа построена так, чтобы с первого дня вы погружались в решение реальных кейсов:
🚀 учились разрабатывать сервисы и приложения на базе ML, а также системы хранения и обработки Big Data;
✍️ пробовали себя в задачах по сбору и анализу данных в современных сервисах: от Алисы до Яндекс Погоды;
📚 использовали ключевые концепции Data Science в самых разных областях: от физики до фармакологии.

Мы считаем, что ШАД — замечательный «мостик» между вузами и индустрией, дающий возможность дополнить ваше университетское образование актуальными для реальных задач знаниями.

Готовы бросить вызов данности? Тогда подавайте заявку до 4 мая и учитесь у лучших!

Первый математический турнир CS Space успешно завершён ⚡️

В это воскресенье на площадке наших партнеров Школы анализа данных Яндекса прошел финал математического турнира. Участвовало 11 команд, борьба за победу была напряжённой, задачи — сложными.

😁 Победители турнира

1 место — 239 14-1
Давидюк Владимир Владимирович
Коротченко Таисия Сергеевна
Бахарев Иван Михайлович

2 место — Мысланты
Львов Алексей Константинович
Гайдай-Турлов Иван Павлович
Туревский Максим Александрович

3 место — Комбиматорик, сатаналитик, погромист
Сапрунов Егор Сергеевич
Французов Церен Витальевич
Югов Михаил Дмитриевич

Эти три команды разделили между собой призовой фонд в 100 000 рублей, и все участники получили мерч от CS Space и ШАДа. Поздравляем победителей и благодарим за участие все команды!

📃 Задачи
Хотите проверить свои силы или разобрать интересные задачи? Отдельно рекомендуем задачу N9 по коммуникационной сложности! Прикрепляем условия и решения:
〰️только условия
〰️условия с разбором

📷 Также делимся фотографиями с турнира.

Отдельное спасибо ШАДу за гостеприимство и поддержку! В следующем посте мы расскажем о поступлении в ШАД в этому году.

❤️ csspace × 🥳 ШАД

В прошедшее воскресенье 13 апреля завершился первый отборочный этап математического турнира CS Space ⬇️

В первом туре соревновались 43 команд. Мы предложили участникам 10 задач про классические сюжеты: мудрецы и колпаки, фальшивые монеты, покрытие графа кликами, геометрическая вероятность.

Теоретический максимум баллов — 17, каждую задачу решил хотя бы один участник, а среднее число баллов на команду — 8.3 балла.

😁 Финалисты
Мы рады объявить 12 команд, которые прошли в финал:

1. Мысланты — Львов Алексей, Гайдай-Турлов Иван, Туревский Максим (15 баллов)
2. 239 14-1 — Давидюк Владимир, Коротченко Таисия, Бахарев Иван (13 баллов)
3. X — Згонник Илья, Кузнецов Роман, Ананьев Дмитрий (13 баллов)
4. Пщимаф Наверх — Шеховцов Александр, Мясников Константин, Захаров Георгий (12 баллов)
5. Репка — Васильев Иван, Кайбышев Арслан, Расторгуев Данила (12 баллов)
6. Fans of zabashta — Дмитриев Владислав, Коновалов Кирилл, Матвеев Андрей (12 баллов)
7. тюлень и два зайки — Лихачев Алексей, Смирнов Вадим, Хриптан Георгий (12 баллов)
8. Крутые бобры — Дрозин Александр, Лотников Алексей, Карпов Александр (12 баллов)
9. Комбиматорик, сатаналитик, погромист — Сапрунов Егор, Французов Церен, Югов Михаил (12 баллов)
10. Basis2d — Михайлов Леонид, Баранов Александр, Прозоров Павел (11 баллов)
11. 1.5 shirovlasika — Хисамутдинов Эльдар, Савинов Даниил, Мишуков Николай (11 баллов)
12. Трое в лодке, не считая собаки — Миргалимова Розалина, Нагибин Ярослав, Калинин Александр (11 баллов)

📃 Условия задач и разбор
Для тех, кто хочет разобрать задачи или просто проверить свои силы, прикрепляем условия и подробные решения.

Будем рады обратной связи по задачам в чате соревнования: как положительной, так и отрицательной. Расскажите, какие идеи показались особенно интересными, где не хватило точности в условиях, и какие решения принесли больше радости!

Спасибо всем участникам. До встречи в финале!

ЛИПС-25 — отличная возможность попробовать себя в исследовательской математике ⬇️

С 7 июля по 8 августа в МФТИ пройдёт Летняя Исследовательская Программа Студентов (ЛИПС-25). Мы давно с интересом следим за этой инициативой наших добрых друзей, а в этом году решили принять участие.

Программа рассчитана на студентов 3–4 курсов бакалавриата, магистров и аспирантов, интересующихся фундаментальной и прикладной математикой. Формат: короткий теоретический ввод и работа над исследовательскими задачами в небольших командах вместе с научными руководителями.

Команда CS Space на программе предложит задачи по двум темам: справедливые дележи и параметризованные алгоритмы.

Если вы учитесь на старших курсах бакалавриата, в магистратуре или аспирантуре и хотите позаниматься интересными задачами — очень рекомендуем обратить внимание.

🟡Заявки на участие принимаются до 15 мая.
🟡Программа пройдёт в Долгопрудном (МФТИ, Подмосковье)
🟡Подробности — на сайте организаторов

Анонсируем второй курс весеннего семестра

Нелинейная оптимизация без ограничений ⬇️

– Страница курса
– Первая лекция 16 апреля, 19:00. Расписание лекций можно найти на сайте
– Мраморный зал, ПОМИ РАН, наб. реки Фонтанки, 27, Санкт-Петербург
– Пожалуйста, не забудьте зарегистрироваться — это необходимое условие посещения ПОМИ РАН. Достаточно сделать это один раз для посещения любой лекции курса.

⭐️ О лекторе

Федор Писниченко
Доцент кафедры прикладной математики Федерального университета ABC (UFABC) в Бразилии с более чем 14-летним опытом преподавания. Моя специализация охватывает численную оптимизацию, методы оптимизации с ограничениями в виде дифференциальных уравнений (PDE-constrained) и высокопроизводительные вычисления. Мои исследования включают линейное и нелинейное программирование, оптимизацию без использования производных и численные методы для решения дифференциальных уравнений, с применением в обработке сейсмических данных и разработке решений для задач в реальном времени. Сотрудник Chebyshev Research Center.

📢 Анонс

В реальном мире большинство систем нелинейны, что делает традиционные методы линейной оптимизации недостаточными для многих практических приложений. Нелинейная оптимизация играет ключевую роль в решении сложных задач, где целевая функция не является простой линейной. Будь то обучение нейронной сети, разработка систем управления или восстановление сигналов, методы нелинейной оптимизации составляют основу современных технологий.

Курс состоит из 7 лекций и предназначен для студентов старших курсов, аспирантов и начинающих учёных. Курс включает методы решения задач безусловной нелинейной оптимизации, имеющих решающее значение в нейронных сетях, предиктивном управлении (MPC), робототехнике, автономных системах, обработке сигналов, медицинской визуализации, компьютерном зрение и машинном обучении. По окончании курса вы получите глубокое понимание применения методов нелинейной оптимизации в решении реальных задач различных отраслей.

Возьмем, к примеру, обучение нейронной сети: цель состоит в минимизации ошибки предсказания, но зависимость ошибки от весов сети сильно нелинейна. Алгоритмы нелинейной оптимизации корректируют эти веса для уменьшения ошибки, что позволяет реализовывать такие приложения, как распознавание лиц, обработка естественного языка и распознавание речи. Аналогично, в предиктивном управлении, используемом в автономных транспортных средствах, нелинейная оптимизация определяет оптимальную последовательность действий, таких как управление рулём и ускорение, с учётом времени, адаптируясь к динамической среде.

В таких областях, как робототехника (планирование траектории), обработка сигналов (восстановление сигналов) и компьютерное зрение (реконструкция изображений), методы нелинейной оптимизации незаменимы. В медицине МРТ, ультразвуковой анализ и реконструкция изображений в значительной степени опираются на нелинейную оптимизацию для повышения точности диагностики и лечения.

Курс охватит теоретические основы и практические методы:

– Общий обзор и условия оптимальности: Мы рассмотрим необходимые и достаточные условия оптимальности для безусловных задач, охватывая условия первого и второго порядка, которые являются основополагающими для нахождения оптимальных решений.

– Методы поиска по направлению и методы доверительной области: Два эффективных метода для решения задач безусловной оптимизации. Методы поиска по направлению итеративно корректируют размер шага, в то время как методы доверительной области фокусируются на области, где модель хорошо аппроксимирует функцию, что делает их особенно полезными для сложных нелинейных задач. Понимание сильных сторон и областей применения обоих методов имеет решающее значение для решения реальных задач оптимизации.

– Алгоритм Левенберга-Марквардта: Ключевой метод для решения нелинейных задач наименьших квадратов, алгоритм Левенберга-Марквардта широко используется в моделировании данных, аппроксимации кривых и машинном обучении, что делает его незаменимым инструментом в таких приложениях, как обучение моделей и калибровка датчиков.