Differences

This shows you the differences between two versions of the page.

--- mlrep [2021/12/14 09:04] – user
+++ mlrep [2026/08/29 07:59] (current) – external edit 127.0.0.1
@@ Line 3: / Line 3: @@
 ~~
-<fs xx-large>Как проводить эксперименты в науках о данных? </fs> \\ <fs x-large>2-ой онлайн-семинар по актуальным проблемам.\\ 1-2 декабря 2021 г. </fs>
+Как проводить эксперименты в науках о данных?
-----
+-ой онлайн-семинар по актуальным проблемам.
+-2 декабря 2021 г.
 Воспроизводимость результатов и открытость данных — одна из базовых проблем экспериментов в data science. Присоединяйтесь к нам в поиске способов ее решения!
-В программе — приглашенные доклады ведущих отраслевых и академических экспертов, а также студенческая секция. Мероприятие проводится в рамках 64-ой конференции МФТИ. \\ \\
+В программе — приглашенные доклады ведущих отраслевых и академических экспертов, а также студенческая секция. Мероприятие проводится в рамках 64-ой конференции МФТИ.
-<fs medium>[[#1 декабря -- 18:30|1 декабря -- 18:30]]</fs>
+[[mlrep|1 декабря -- 18:30]]
-<fs medium>[[#2 декабря -- 17:00|2 декабря -- 17:00]]</fs>
+[[mlrep|2 декабря -- 17:00]]
-<fs medium>[[#2 декабря -- 18:00|2 декабря -- 18:00 -- Круглый стол: Доверие к ИИ]]</fs>
+[[mlrep|2 декабря -- 18:00 -- Круглый стол: Доверие к ИИ]]
-<fs medium>[[#О проблеме воспроизводимости|О проблеме воспроизводимости]]</fs>
+[[mlrep|О проблеме воспроизводимости]]
-<fs medium>[[#Помощь в организации онлайн семинара|Организаторы]]</fs>
+[[mlrep|Организаторы]]
-----
+[[mlrep|Регистрация]] - [[https://mlrep-atp-mipt.timepad.ru/event/1817677/|https://mlrep-atp-mipt.timepad.ru/event/1817677/]]
-<html><!-- Код кнопки, открывающей виджет регистрации на Timepad --><a href="#" id="timepad_twf_register_1817677" style="font-weight: bold; display: inline !important; text-decoration: !important;"><span style="!important;">Регистрация</span></a></html> - https://mlrep-atp-mipt.timepad.ru/event/1817677/
-<html><script async="async" defer="defer" charset="UTF-8" data-timepad-customized="133728" data-timepad-widget-v2="event_register" src="https://timepad.ru/js/tpwf/loader/min/loader.js">
-(function(){
-return {"event" : {"id" : 1817677}, "hidePreloading" : true, "display" : "popup", "popup" : {"triggerSelector" : "#timepad_twf_register_1817677"}
-      }})
-();</script></html>
-**Сайт конференции** — https://conf.mipt.ru
+**Сайт конференции** — [[https://conf.mipt.ru/|https://conf.mipt.ru]]
 ==== 1 декабря -- 18:30 ====
-<fs large>Оптимизация "черного ящика" с использованием локальных генеративных суррогатных моделей</fs> \\ \\
+Оптимизация “черного ящика” с использованием локальных генеративных суррогатных моделей
-**Сергей Широбоков** \\ Imperial College London \\
-<html>
+**Сергей Широбоков**
-<iframe width="560" height="315" src="https://www.youtube.com/embed/rw1RKOilr2I" title="YouTube video player" frameborder="0" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture" allowfullscreen></iframe>
+Imperial College London
-</html>
-{{| Слайды}}
+{{index|Слайды}}
 В таких областях, как физика и инженерия, многие процессы моделируются с помощью недифференцируемых симуляторов, по которым оценка правдобоподных исходных параметров оказывается невозможной напрямую.
@@ Line 47: / Line 38: @@
 Оптимизация таких прямых моделей оказывается сложной задачей, когда симулятор стохастический. Для решения таких задач мы предлагаем использовать глубокие генеративные модели для итеративной аппроксимации симулятора в локальных окрестностях пространства параметров. Мы покажем, что эти локальные суррогаты могут быть использованы для аппроксимации градиента.
-В случаях, когда зависимость симулятора от параметров ограничена многообразием низкой размерности, наш метод достигает минимумов быстрее, чем базовые методы, включая байесовскую оптимизацию, численную оптимизацию и подходы, использующие оценки градиента функции потерь. \\ \\
+В случаях, когда зависимость симулятора от параметров ограничена многообразием низкой размерности, наш метод достигает минимумов быстрее, чем базовые методы, включая байесовскую оптимизацию, численную оптимизацию и подходы, использующие оценки градиента функции потерь.
-<fs large>Применение методов машинного обучения на примере анализа структур РНК</fs> \\ \\
+Применение методов машинного обучения на примере анализа структур РНК
-**Евгений Баулин** \\ МФТИ \\
-<html>
+**Евгений Баулин**
-<iframe width="560" height="315" src="https://www.youtube.com/embed/3VG1pckshCA" title="YouTube video player" frameborder="0" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture" allowfullscreen></iframe>
+МФТИ
-</html>
-{{| Слайды}}
+{{index|Слайды}}
 Экспериментально определение пространственных структур биополимеров остается дорогой и сложной техникой, поэтому весьма актуальна задача предсказания данных структур по данным высокопроизводительного секвенирования и косвенных химических экспериментов.
-В данном докладе я опишу, как мы пытались предсказывать структурные мотивы некодирующих РНК по данным о последовательности нуклеотидов и комлпементарным Уотсон-Криковским сппариваниям. Разберем, что же у нас получилось, на какие грабли можно наступить в процессе "разведывательных" экспериментов и при подготовке публикации, и как всего этого можно избежать. \\ \\
+В данном докладе я опишу, как мы пытались предсказывать структурные мотивы некодирующих РНК по данным о последовательности нуклеотидов и комлпементарным Уотсон-Криковским сппариваниям. Разберем, что же у нас получилось, на какие грабли можно наступить в процессе “разведывательных” экспериментов и при подготовке публикации, и как всего этого можно избежать.
-<fs large>Что такое доверенный ИИ?</fs> \\ \\
+Что такое доверенный ИИ?
-**Антон Хританков** \\ MLRep, МФТИ \\
-<html>
+**Антон Хританков**
-<iframe width="560" height="315" src="https://www.youtube.com/embed/dx-R0puH24I" title="YouTube video player" frameborder="0" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture" allowfullscreen></iframe>
+MLRep, МФТИ
-</html>
-{{| Слайды}}
+{{index|Слайды}}
 Какие системы машинного обучения можно считать доверенными (trustworthy)? Сейчас много разговоров о том, какие требования должны предъявляться к системам, имеющим влияние на широкие группы пользователей. Что такое надежность, безопасность, непредвзятость и другие характеристики качества, предъявляемые к таким системам.
-Расскажу о паре примеров, когда использование недосточно доверенных систем приводило к совершенно нежелательным и заранеее не понятным последствиям. Обсудим, что нужно делать для создания доверенных систем машинного обучения и при чем здесь воспроизводимость экспериментов? \\ \\
+Расскажу о паре примеров, когда использование недосточно доверенных систем приводило к совершенно нежелательным и заранеее не понятным последствиям. Обсудим, что нужно делать для создания доверенных систем машинного обучения и при чем здесь воспроизводимость экспериментов?
 ==== 1 декабря -- 20:00 ====
-Секционные доклады 64-й конференции МФТИ \\ \\
+Секционные доклады 64-й конференции МФТИ
-<fs large>Секция проблем повторяемости и достоверности результатов в науках о данных</fs> \\ \\
+Секция проблем повторяемости и достоверности результатов в науках о данных
-<fs large>Секция алгоритмов и технологий программирования</fs> \\ \\
+Секция алгоритмов и технологий программирования
-Перечень докладов будет уточнен позднее \\ \\
+Перечень докладов будет уточнен позднее
 ==== 2 декабря -- 17:00 ====
-<fs large>Риски и результаты научных исследований</fs> \\ \\
+Риски и результаты научных исследований
-**Вадим Стрижов** \\ МФТИ \\
-<html>
+**Вадим Стрижов**
-<iframe width="560" height="315" src="https://www.youtube.com/embed/SuihavUq8Jk" title="YouTube video player" frameborder="0" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture" allowfullscreen></iframe>
+МФТИ
-</html>
-{{| Слайды}}
+{{index|Слайды}}
 Плодотворное завершение научного исследования зависит от того, насколько ясно видны его результаты в момент планирования. Завершение исследования привязано к точным срокам, потому что его результат ожидается научным сообществом на защитах бакалаврских, магистерских и кандидатских диссертаций, на конференциях, на презентациях отчетов.
-Научное сообщество оценивает его согласно общепринятым критериям. Эти критерии невозможно игнорировать при планировании. В докладе мы обсудим риски научных исследований и критерии качества результатов. \\ \\
+Научное сообщество оценивает его согласно общепринятым критериям. Эти критерии невозможно игнорировать при планировании. В докладе мы обсудим риски научных исследований и критерии качества результатов.
-<fs large>Co-research: методология академических и научных исследований, основанных на данных (data-driven research)</fs> \\ \\
+Co-research: методология академических и научных исследований, основанных на данных (data-driven research)
-**Андрей Устюжанин** \\ НИУ ВШЭ, МФТИ, CERN \\
-<html>
+**Андрей Устюжанин**
-<iframe width="560" height="315" src="https://www.youtube.com/embed/n_OUppPj77k" title="YouTube video player" frameborder="0" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture" allowfullscreen></iframe>
+НИУ ВШЭ, МФТИ, CERN
-</html>
-{{| Слайды}}
+{{index|Слайды}}
 Науки о данных и технологии машинного обучения представляют ключевое направление развития современных образовательных программ. С одной стороны, навыки работы с данными помогают серьезно усилить эффективность прикладных проектов, и являются привлекательным направлением с точки зрения карьерного роста. С другой стороны, без серьезной практической составляющей изучение работы методов основанных на данных не дает возможность погрузиться в тонкости и понимание ограничений таких подходов.
-Лаборатория НИУ ВШЭ Lambda тесно сотрудничает с несколькими международными исследовательскими коллаборациями, такими как LHCb, SHiP, OPERA, MPD@NICA. В своем докладе я расскажу о принципах и методологии, которой руководствуются сотрудники лаборатории, объединяя учебные и исследовательские задачи в рамках практических проектов. Немаловажным фактором является использование современных инструментов поддержки совместной работы, которые позволяют в игровой форме провести студентов через цепочку ключевых шагов исследования, понять принципы оценки границ применимости методов машинного обучения и оценить вклад каждого участника проекта. \\ \\
+Лаборатория НИУ ВШЭ Lambda тесно сотрудничает с несколькими международными исследовательскими коллаборациями, такими как LHCb, SHiP, OPERA, MPD@NICA. В своем докладе я расскажу о принципах и методологии, которой руководствуются сотрудники лаборатории, объединяя учебные и исследовательские задачи в рамках практических проектов. Немаловажным фактором является использование современных инструментов поддержки совместной работы, которые позволяют в игровой форме провести студентов через цепочку ключевых шагов исследования, понять принципы оценки границ применимости методов машинного обучения и оценить вклад каждого участника проекта.
 ==== 2 декабря -- 18:00 ====
-<fs x-large>Доверие к ИИ: открытый код, данные, стандарты</fs>
+Доверие к ИИ: открытый код, данные, стандарты
-Темы круглого стола: \\
+Темы круглого стола:
--- доверие к исследованиям в области ИИ и ответственность исследователей
+– доверие к исследованиям в области ИИ и ответственность исследователей
--- постановка задач и воспроизводимость результатов в науках о данных
+– постановка задач и воспроизводимость результатов в науках о данных
--- открытые данные (FAIR), открытый код, открытые эксперименты
+– открытые данные (FAIR), открытый код, открытые эксперименты
--- инструменты автоматизации научных исследований
+– инструменты автоматизации научных исследований
+{mlrep:burtsev.png?w=120&tok=323550} **Михаил Бурцев, к.ф.-м.н.**
-----
+зав. лаб. нейронных систем и глубокого обучения МФТИ, [[https://deeppavlov.ai/|https://deeppavlov.ai]]
-{{:mlrep:burtsev.png?nolink&120 |}} **Михаил Бурцев, к.ф.-м.н.** \\ \\ зав. лаб. нейронных систем и глубокого обучения МФТИ, https://deeppavlov.ai \\ \\ Лидер проекта с открытым кодом в сфере разговорного искусственного интеллекта – «DeepPavlov». В период 2017-2020 гг. руководил проектом НТИ «НейроИнтеллект iPavlov». Научный руководитель команды DREAM, участвующей в конкурсе Alexa Prize Socialbot Grand Challenge 3 и 4 от Amazon. Главный организатор Международных соревнований по диалоговым системам на конференции NeurIPS (Conversational Intelligence Challenge 1 и 2).
+Лидер проекта с открытым кодом в сфере разговорного искусственного интеллекта – «DeepPavlov». В период 2017-2020 гг. руководил проектом НТИ «НейроИнтеллект iPavlov». Научный руководитель команды DREAM, участвующей в конкурсе Alexa Prize Socialbot Grand Challenge 3 и 4 от Amazon. Главный организатор Международных соревнований по диалоговым системам на конференции NeurIPS (Conversational Intelligence Challenge 1 и 2).
-----
+{mlrep:strijov.png?w=120&tok=3dfc67} **Вадим Стрижов, д.ф.-м.н. **
-{{:mlrep:strijov.png?nolink&120 |}} **Вадим Стрижов, д.ф.-м.н. ** \\ \\ проф. Кафедры интеллектуальных систем МФТИ, https://m1p.org \\ \\ Области научных интересов - порождение и байесовский выбор моделей машинного обучения, функциональный и алгебраический подход к анализу данных. Читает курсы “Моя первая научная статья”, “Математические методы прогнозирования”, администратор сайта о машинном обучении www.machinelearning.ru. Лауреат научной премии имени Ильи Сегаловича в 2019 году в номинации “Научные руководители”. \\ \\
+проф. Кафедры интеллектуальных систем МФТИ, [[https://m1p.org/|https://m1p.org]]
-----
+Области научных интересов - порождение и байесовский выбор моделей машинного обучения, функциональный и алгебраический подход к анализу данных. Читает курсы “Моя первая научная статья”, “Математические методы прогнозирования”, администратор сайта о машинном обучении [[http://www.machinelearning.ru/|www.machinelearning.ru]]. Лауреат научной премии имени Ильи Сегаловича в 2019 году в номинации “Научные руководители”.
-{{:mlrep:ustuyzhanin.png?nolink&120 |}} **Андрей Устюжанин, к.ф.-м.н.** \\ \\ зав. лаб. анализа больших данных НИУ ВШЭ, https://cs.hse.ru/lambda/  \\ \\ Андрей руководит сотрудничеством ШАД Яндекса с CERN. Его лаборатория специализируется на поиске и развитии новых подходов к научным задачам за счет использования потенциала машинного интеллекта. \\
+{mlrep:ustuyzhanin.png?w=120&tok=41a056} **Андрей Устюжанин, к.ф.-м.н.**
-----
+зав. лаб. анализа больших данных НИУ ВШЭ, [[https://cs.hse.ru/lambda/|https://cs.hse.ru/lambda/]]
-{{:mlrep:musin.jpg?nolink&120 |}} **Шамиль Мусин** \\ \\ Рук. департамента проектов ИИ, Forecsys, https://forecsys.ru \\ \\ Руководит коммерческими проектами в области анализа данных и машинного обучения. Среди реализованных проектов система прогнозирования дефолтов корпоративных клиентов банка, индикатор наличия рабочего напряжения с использованием интеллектуального анализа данных, система прогнозирования балансов банков.
+Андрей руководит сотрудничеством ШАД Яндекса с CERN. Его лаборатория специализируется на поиске и развитии новых подходов к научным задачам за счет использования потенциала машинного интеллекта.
- \\ \\
-----
+{mlrep:musin.jpg?w=120&tok=1877ce} **Шамиль Мусин**
-\\ \\
-Модератор дискуссии - **Антон Хританков, к.ф.-м.н.**, руководитель проекта [[https://mlrep.gitlab.io/mldev | MLDev]].
-\\ \\
+Рук. департамента проектов ИИ, Forecsys, [[https://forecsys.ru/|https://forecsys.ru]]
+Руководит коммерческими проектами в области анализа данных и машинного обучения. Среди реализованных проектов система прогнозирования дефолтов корпоративных клиентов банка, индикатор наличия рабочего напряжения с использованием интеллектуального анализа данных, система прогнозирования балансов банков.
+Модератор дискуссии - **Антон Хританков, к.ф.-м.н.**, руководитель проекта [[https://mlrep.gitlab.io/mldev|MLDev]].
 ==== О проблеме воспроизводимости ====
@@ Line 169: / Line 153: @@
 Вопросы качества результатов, повторяемости экспериментов, достоверности исследований становятся ключевыми как для научных исследований, так и для компаний.
-[Hutson] [[https://www.science.org/doi/10.1126/science.359.6377.725|Hutson M. Artificial intelligence faces reproducibility crisis. Science. 2018. ]]
+[Hutson] [[https://www.science.org/doi/10.1126/science.359.6377.725|Hutson M. Artificial intelligence faces reproducibility crisis. Science. 2018.]]
 [MLOps] [[https://aibusiness.com/document.asp?doc_id=760484|Why MLOps (and not just ML) is your Business’ New Competitive Frontier]]
@@ Line 179: / Line 163: @@
 ==== Помощь в организации онлайн семинара ====
-<html>
+[[http://fpmi.tilda.ws/algo-tech/|]]
-<p>
+[[http://m1p.org/|]]
-<a style="margin: 25px" href="http://fpmi.tilda.ws/algo-tech/"><img src="https://gitlab.com/mlrep/mldev/-/wikis/images/atp-mipt.jpg" alt="ATP MIPT" height="80px"></a>
+[[https://conf.mipt.ru/|]]
-<a style="margin: 25px" href="http://m1p.org"><img src="https://gitlab.com/mlrep/mldev/-/wikis/images/m1p_logo.png" alt="My First Scientific Paper" height="80px"></a>
+[[http://cs.hse.ru/lambda|]]
-<a style="margin: 25px" href="https://conf.mipt.ru"><img src="/_media/conf-mipt-logo.png" alt="64th MIPT Conference" height="80px"/></a>
-<a style="margin: 25px" href="http://cs.hse.ru/lambda"><img src="https://cs.hse.ru/mirror/pubs/share/368652417" alt="Lambda HSE" height="80px"></a>
-</p>
-</html>
-\\ \\
 **Контакты по вопросам** — [[http://t.me/mldev_betatest|Telegram]] или mailto:info [at] mlrep.org
@@ Line 194: / Line 173: @@
 Видео [[https://www.youtube.com/playlist?list=PLODTKWanrueo8GWKVLHJJZTko4yJxoiR_|докладов семинара 2020 г.]]