Все в ШАД!

Лучшие среди лучших 🏆

19 сентября на Practical ML Conf объявили победителей Yandex ML Prize 2026 — ежегодной премии за вклад в образование в области искусственного интеллекта. Среди победителей преподаватели и выпускники ШАДа.

🔵 Дмитрий Баранчук — исследователь Yandex Research и преподаватель ШАД

Дмитрий преподаёт в ШАДе и руководит GenAI-группой в Yandex Research. Он создал курс VisualGenAI по генеративным моделям в компьютерном зрении и открыл его материалы для всех желающих. За два года VisualGenAI вырос из недельного интенсива в полноценный семестровый курс.

🔵 Кирилл Хрыльченко — руководитель лаборатории персонализации в Яндексе и преподаватель ШАД

Кирилл много лет занимался исследованиями и разработкой в Яндекс Поиске, Рекламе, Музыке, Кинопоиске, Маркете и Лавке. На основе этого опыта он построил курс «Нейросетевые рекомендательные системы»: нейросетевое ранжирование, трансформеры, графовые нейросети, генеративные модели.
Значительная часть курса — исследовательская практика: студенты разбирают актуальные статьи, воспроизводят описанные в них методы и учатся формулировать и проверять собственные гипотезы.

🔵 Антон Конушин — преподаватель ШАД

Более 25 лет занимается исследованиями в области компьютерного зрения. В ШАДе читает курс «3D компьютерное зрение». Участвовал в создании ФКН НИУ ВШЭ, руководил там программой «Прикладная математика и информатика».
Сейчас возглавляет магистерскую программу на ФИИ МГУ и группу «Пространственный интеллект» в AIRI.

🔵 Никита Волков — преподаватель ШАД

Выпускник ШАД и руководитель команды в ThetaHat. В ШАДе читает курсы «Машинное обучение» и «АБ-тестирование». С 2018 года создаёт и развивает программу «Продвинутый анализ данных» в МФТИ.
Студенты изучают статистику, машинное и глубокое обучение, прикладную аналитику, разбирают математические основы методов ML, исследуют архитектуры нейросетей и учатся проверять корректность собственных выводов на практике.

🔵 Елена Кантонистова и Таисия Ускова — выпускницы ШАД

Елена руководит онлайн-магистратурой «Искусственный интеллект» на ФКН НИУ ВШЭ. Постоянно развивает программу: обновляет содержание, выстраивает гибкие образовательные траектории, внедряет ИИ-инструменты в учебный процесс.
Программа охватывает весь цикл создания ML-решений — от сбора и обработки данных до внедрения моделей в высоконагруженные сервисы и поддержки через MLOps.

Таисия построила в НГУ курс «Анализ данных», в котором почти нет традиционных лекций: студенты выполняют 12 заданий, сами ищут решения, а затем на занятиях обсуждают разные подходы и результаты. За курс успевают поработать с таблицами, текстами и геоданными, освоить статистические методы и классические модели ML — и отдельно учатся понятно оформлять результаты и объяснять свои выводы.

Поздравляем всех победителей! 🎓

Ваш ШАД 🎓

Разбираем первую задачу учебного года 🕊️

В среду мы предложили перемешать числа от 1 до 3k+1 и найти вероятность того, что сумма чисел в любом префиксе полученной последовательности не делится на 3.

Ключ к решению — разбить множество этих чисел на классы эквивалентности по модулю 3.

1️⃣ Разделим числа на три группы

Чисел с остатком 0 и с остатком 2 — по k, а с остатком 1 — на одно больше: k+1.

2️⃣ На время отложим числа, кратные трём

Они не меняют остаток суммы. Для остальных чисел подходящий порядок остатков оказывается единственным:

1, 1, 2, 1, 2, …

Почему нельзя начать с двойки и как дальше определяется каждый шаг — объясняем в разборе.

3️⃣ Вернём отложенные числа и посчитаем варианты

Их можно разместить между остальными числами и после них, но не в самом начале: иначе уже первая сумма будет делиться на 3. Затем нужно учесть перестановки самих чисел внутри каждой группы.

🔗 В прикреплённом файле — все шаги, комбинаторный подсчёт и итоговая вероятность.

Если нашли другой способ решения или хотите уточнить какой-то шаг — пишите в комментариях ✍️

Ваш ШАД 🎓

#задачишад

Yandex Cup 2026 — регистрация открыта

Начинаем приём заявок на 9-й международный чемпионат Яндекса по программированию.

Yandex Cup — это:
🔵3 направления — Машинное обучение, Аналитика и Алгоритм
🔵9 млн рублей и 36 призовых мест
🔵120 финалистов встретятся офлайн в Москве

Чемпионат разделён на три стрима:
⚪️для юниоров 14–17 лет
⚪️опытных разработчиков
⚪️яндексоидов

Этапы чемпионата:
1️⃣ ПРОБНЫЙ ТУР В ОНЛАЙНЕ
• участие по желанию
• 12–18 октября
• В ML пробного тура нет

2️⃣ КВАЛИФИКАЦИЯ В ОНЛАЙНЕ
• обязательный этап
• 23 октября–1 ноября: Машинное обучение
• 1 ноября: Аналитика и Алгоритм

3️⃣ ФИНАЛ
• 27–29 ноября: финал и награждение в Москве

В прошлом году Yandex Cup собрал 21+ тысячу заявок из 60 стран.

Примите участие в чемпионате — регистрация до 1 ноября

Ваш ШАД 🎓

⚡Открытая очная лекция в Санкт-Петербурге

Приглашаем послушать лекцию Андрея Михайловича Райгородского в Санкт-Петербурге — может быть, кокнет

19 сентября в 14:00 в ШАД Санкт-Петербурга с открытой лекцией «Графы, гиперграфы и их случайные аналоги: от красоты математики к применениям» выступит учёный и популяризатор науки — Андрей Михайлович Райгородский, доктор физ.-мат.наук, директор физтех-школы МФТИ.

О чём поговорим?
О том, как математические абстракции, графы и гиперграфы, помогают описывать системы реального мира. А ещё о том, как вероятностные модели позволяют учитывать случайность и изменчивость этих систем.

📅 19 сентября
⏰ 14:00
📍 пространство ШАД в Санкт-Петербурге

➡️ Зарегистрироваться на лекцию

Ваш ШАД 🎓

Открываем новый учебный год в рубрике #задачишад 👀

Начнём с теории вероятностей и комбинаторики: условие уже на карточке ⬆️

В этом году задачи будут появляться чаще, чтобы готовиться к ШАДу можно было постепенно и регулярно 💙

Попробуйте найти ответ и объяснить, почему он верный. Делитесь идеями и решениями в комментариях.

📅 Разбор опубликуем в воскресенье, 20 сентября.

Ваш ШАД 🎓

От рекомендаций музыки до прогнозирования погоды — все это графы в машинном обучении 🕸

Во многих задачах машинного обучения важны не только сами объекты, но и связи между ними. Пользователи подписываются друг на друга, сайты соединены ссылками, научные статьи — цитированиями, товары и покупатели — покупками, а атомы в молекулах — химическими связями. Все это можно представить в виде графов.

На курсе «Графы в машинном обучении» студенты ШАДа учатся извлекать пользу из таких данных. В курсе рассматриваются как классические темы (PageRank, модели случайных графов, поиск сообществ), так и различные варианты современных графовых нейронных сетей и фундаментальных моделей.

Эти подходы применяются в рекомендательных системах, выявлении мошенничества, моделировании дорожного движения, поиске и рекламе, прогнозировании погоды и свойств молекул.

Программа курса

— Introduction: fantastic graphs and where to find them, applications of graph machine learning, centrality measures, PageRank
— Node classification in non-attributed graphs: label propagation, unsupervised node embeddings
— Graph neural networks, message-passing framework, expressive power
— Graph classification
— Machine learning on large-scale graphs
— Network analysis and random graph models
— Community detection
— Link prediction
— Graph-based nearest neighbor search
— Tabular machine learning and tabular foundation models
— Graph foundation models
— Graphs meet tables: machine learning on relational databases
— Graphs for recommender systems

👀 В этом году в программе впервые появился отдельный блок про машинное обучение на табличных данных и реляционных базах данных. Студенты разберутся, как объединять информацию из связанных между собой таблиц — одна из самых частых постановок в реальных индустриальных задачах.

Курс ведет команда исследователей под руководством Людмилы Прохоренковой из команды Yandex Research. Подробности о пререквизитах и формате курса смотрите в карточке👆

Ваш ШАД 🎓

#курсышад

🥇 Шадовцы заняли второе место на хакатоне с системой Smart Sort

Как распределить товары на конвейере, если часть товаров подходит для автоматической сортировки, а другую часть нужно направлять по отдельному маршруту? Эту задачу решала команда студентов и выпускников ШАДа на хакатоне OzonTech — и заняла второе место в треке «Интеллектуальная роботизированная система сортировки товаров».

Ребята разработали Smart Sort и проверили решение в цифровом двойнике — виртуальной модели конвейерной системы. Работа началась в июле с отборочного этапа, а весь август команда дорабатывала проект для финала.

Как устроено решение ⬇️

Камеры глубины, лидары и классические алгоритмы компьютерного зрения помогают оценивать геометрию товаров. От неё зависит дальнейший маршрут: например, негабаритные и круглые предметы не должны попадать в основную сортировочную машину.

Команда построила платформу для моделирования конвейерных схем и провела эксперименты на 30 цифровых двойниках. В выбранной конфигурации система:

🔵 распределяет поток товаров по двум веткам
🔵 направляет сложные случаи на ручной разбор
🔵 отслеживает заторы и нештатные ситуации

Для проверки сценариев работы и обучения сотрудников предусмотрели VR-демо.

Здесь интересен сам подход: прежде чем собирать физическую систему, можно сравнить варианты конвейера в симуляции и проверить, как они справляются с разными ситуациями.

Кто работал над Smart Sort

— Андрей Спиридонов — 🎓 выпускник ШАДа, главный преподаватель курса AI for Robotics
— Илья Латышев — 🎓 выпускник ШАДа, соавтор статьи, принятой на Interspeech 2026
— Илья Мотовилов — студент второго курса ШАДа, специализация Physical AI
— Михаил Крапчатов, Екатерина Волкова и Андрей Ишутин — 🎓 выпускники ШАДа

Поздравляем команду с крутейшим результатом 💪

Ваш ШАД 🎓

#выпускники #ai4robotics

От социологии до биллинга Yandex Cloud

Наш выпускник Кирилл Плотников руководит разработкой биллинга Yandex Cloud и занимается трансформацией большой распределённой системы — так, чтобы продолжали работать и сама система, и команда, и связанные с ней бизнес-процессы.

Но путь Кирилла в IT начался совсем не по прямой. После физфака он поступил на социологию, где снова встретился с математической статистикой, теорией вероятностей и анализом данных. Во время подготовки к аспирантуре Кирилл начал изучать Python — и понял, что от программирования всё-таки не уйти. Затем были бэкенд-разработка, AdTech, магистратура по машинному обучению и Yandex Cloud.

В ШАД Кирилл пришёл уже с серьёзным практическим опытом и решил углубиться в траекторию проектирования и разработки распределённых систем. Учёба помогла разложить накопленные знания по полочкам и выстроить теоретический каркас — от архитектуры до производительности и надёжности. Некоторые подходы из курсов сейчас использует в работе и передаёт своей команде.

После выпуска у Кирилла остался пополняемый «сундучок» курсов ШАДа, к которому можно возвращаться за новыми знаниями. А ещё — сообщество людей с общим профессиональным контекстом, благодаря которому проще находить общий язык и вместе решать сложные задачи.

Полное интервью о пути Кирилла, учёбе и полезном синдроме самозванца — в статье Журнала Яндекс Образования.

Ваш ШАД 🎓

#выпускники

✈️ Преподаватели ШАД на конференции ECCV в Мальмё!

С 8 по 12 сентября в Мальмё проходит European Conference on Computer Vision — одна из крупнейших конференций по компьютерному зрению.

Прямо сейчас там находятся:
🔵 Роман Исаченко, руководитель команды анализа изображений, преподаватель ШАД
🔵 Виктор Юрченко, руководитель группы симуляции сенсоров, преподаватель и выпускник ШАД

Интересного материала много, например, исследователи Yandex Research отправили на конференцию несколько статей про:
🟡 авторегрессионные генеративные модели и их использование для классификации изображений. Метод оценивает картинку при разных случайных порядках визуальных токенов и агрегирует результаты;
🟡 training-free как способ улучшить редактирование изображений в unified-моделях. В середине генерации временно отключается привязка к исходному изображению, модель переходит в text-to-image режим, а потом возвращается к редактированию улучшая качество;
🟡 актуальное сравнение восьми training-free методов Classifier-Free Guidance на современных моделях. Проверено на композиции объектов, соответствии тексту, генерации текста. В статье — бенчмарки и визуальные примеры.

Технические разборы статей и прямой репортаж ребята ведут в @timeforcv, @DriverNotFound и @MLunderhood

Ваш ШАД 🎓

#наукашад

В ШАДе запущена новая специализация — Physical AI 👾

Летом мы уже начали погружение в направление и провели День Physical AI. В рамках мероприятия, студенты побывали в гостях у проекта Humanoids в Яндексе. Абитуриенты и студенты на воркшопе работали с коботом UR10 и его 3D-представлением через VR-шлем, а в Санкт-Петербурге встретились на митапе про ML в робототехнике.

Эти активности развивали Physical AI в ШАДе, который теперь сформировался в отдельную специализацию. Она для тех, кто хочет создавать системы, которые видят физический мир, понимают его и действуют в нём. Роботы, автономный транспорт, манипуляторы, цифровые двойники, 3D-сцены и embodied AI становятся фокусом новой специализации для студентов второго курса направлений Data Science и Разработка машинного обучения.

В программе такие курсы, как:
🔴 Physical AI Fundamentals
🔴 Компьютерное зрение / Глубинное зрение и графика
🔴 Промышленный дизайн, инжиниринг и прототипирование + AI
🔴 Reinforcement Learning
🔴 AI for Robotics
🔴 Self-Driving Cars
🔴 Physical AI Projects

Студенты будут работать не только с симуляторами, но и с физическим оборудованием: роботизированными платформами, манипуляторами, камерами, сенсорами и 3D-печатью.

ШАД не стоит на месте, и машинное обучение давно перестало быть только про таблицы, тексты или картинки. Выходим в физический мир вместе с большим образовательным проектом Yandex Physical AI Garage — совместной программой Яндекса и 5 классных университетов в области ИИ и вопросах его функционирования 🚘

Ваш ШАД 🎓