Преподаватели и разработчики курсов

  • Иван Валерьевич Оселедец
    Алгебра и геометрия.
    Линейная алгебра.
    Лектор.
    Доктор физико-математических наук, профессор РАН, декан Факультета искусственного интеллекта МГУ, генеральный директор Института AIRI, профессор Сколтеха. Автор основополагающей работы по тензорному формату TT (Tensor-Train decomposition, более 3800 цитирований).
  • Тимофей Хирьянов
    Алгоритмы и структуры данных.
    Лектор.
    Кандидат PhD, научный сотрудник ФИАН, старший преподаватель МФТИ, академический руководитель программы бакалавриата Факультета искусственного интеллекта МГУ. 20-летний опыт преподавания в МФТИ и МГУ. Разработчик и организатор современных курсов по программированию (Python, C, C++) и анализу данных, включая программы для новых факультетов МФТИ и межфакультетский курс в МГУ.
  • Андрей Чертков
    Математический анализ.
    Разработчик курса.
    Кандидат компьютерных наук, научный сотрудник AIRI, инженер Сколтеха. Автор 20+ публикаций, h-index 9, в том числе 3 работ на Core A* конференциях (NeurIPS, ICLR). Обладатель двух евразийских патентов и четырёх свидетельств на ПО.
  • Михаил Паутов
    Курс: Дискретная математика.
    Разработчик курса.
    Кандидат компьютерных наук, магистр МФТИ. Старший научный сотрудник AIRI. Специалист в области теории вероятностей, математического анализа и верификации нейросетей.
  • Михаил Гончаров
    Дискретная математика и элементы теории вероятности.
    Разработчик курса.
    PhD-кандидат, научный сотрудник AIRI. Магистр МФТИ и Сколтеха. Специалист в области computer vision, self-supervised learning и генеративного моделирования.
  • Андрей Жуков
    Современное программирование.
    Разработчик курса.
    Преподаватель Data Engineering и ML System Design в Институте И И МГУ на программе AI Masters, технический директор рекламной платформы RWB Media.
  • Константин Ушенин
    Основы и методология программирования.
    Разработчик курса.
    Кандидат физико-математических наук, ведущий научный сотрудник AIRI. Руководитель грантов РНФ и РФФИ. Разработчик курсов по Python, анализу данных, машинному обучению, высокопроизводительным вычислениям.
  • Артем Трунов
    Физический факультет МГУ имени М. В. Ломоносова.
    M.S. in Physics, University of Louisville
    Научные интересы: робототехника, генеративный искусственный интеллект

    Курс: Инструменты разработки программного обеспечения
    В курсе студенты знакомятся с ОС Linux и прикладной работе в командной строке, работе с SSH и git. Так же мы рассматриваем работу с данными в командной строке, а так же автоматизацию работы с конфигурацией сервера и облака.
  • Тимур Мамедов
    к.ф.-м.н., НИУ ВШЭ
    Научные интересы: компьютерное зрение, видеоаналитика, re-identification и трекинг людей, video understanding, self-supervised learning, мультимодальные нейронные сети

    Курс: Компьютерное зрение
    Курс предлагает глубокое погружение в методы обработки и анализа изображений, от классических алгоритмов до современных архитектур нейронных сетей. Вы научитесь решать практические задачи распознавания объектов, сегментации, детекции и др., используя передовые инструменты компьютерного зрения.
  • Артем Митрофанов
    канд. техн. наук, ФНМ МГУ имени М.В. Ломоносова
    Научные интересы: разработка алгоритмов для работы с химическими данными и направленного дизайна новых материалов

    Курс: Искусственный интеллект в химии
    В рамках курса слушатели познакомятся с основами химии и материаловедения, а также с особенностями химических данных. Узнают лучшие, на текущий момент, ИИ-подходы в химии и попробуют построить предиктивные и генеративные модели для решения основной прикладной задачи химии — поиска новых материалов с заданными свойствами.
  • Владислав Шахуро
    к. ф.-м. н., НИУ ВШЭ
    Научные интересы: ИИ для роботов, компьютерное зрение

    Курс: Обработка текста и мультимодальные модели
    Курс посвящен современным мультимодальным большим языковым моделям, которые объединяют и обрабатывают текст, изображения, видео, звук, 3D-данные и действия. Рассматриваются основы LLM, transfer learning, RLHF, RAG, vision-language модели, генеративные модели и мультодальные агенты. Отдельное внимание уделяется практиеским применениям таких моделей, включая робототехнику, работу с 3D-данными и аудиомодальностью.
  • Юрий Дорн
    канд. техн. наук, Вычислительный центр им. А. А. Дородницына РАН
    Научные интересы: онлайн оптимизация, многорукие бандиты, разные оптимизационные приложения

    Курс: Генеративные модели и оптимизация 
    Курс посвящён алгоритмам онлайн-оптимизации и их практическим приложениям. Вы изучите формальные методы, позволяющие получать строгие теоретические гарантии для решений, — то есть освоите подход, который сочетает надёжность классической научной школы с востребованностью в современных технологических задачах.
  • Евгений Голиков
    PhD in Mathematics, Swiss Federal Technology Institute of Lausanne (EPFL)
    Научные интересы: Deep Learning Theory

    Курс: Теория глубокого обучения
    Курс посвящён главной проблеме обучения с учителем: «почему обученные модели хорошо работают на данных, которых не было в обучающем наборе?». Из-за того, что современные нейронные сети обладают очень высокой выразимостью, эта проблема стоит для них наиболее остро. Мы затронем как непосредственно оценки на обобщающую способность, так и связанные с эти темы: implicit bias of learning rules и infinitely wide networks.
  • Дмитрий Жемчужников
    PhD, University Grenoble Alpes (UGA)
    Научные интересы: компьютерное зрение, геометрическое глубокое обучение, ИИ для CAD

    Курс: Трехмерное компьютерное зрение и графика
    Искусственный Интеллект (ИИ) в компьютерной графике, а именно дифференцируемые аналитические и нейронные модели всё чаще применяются в решении научных и практических задач. Это прежде всего реконструкция 3D объектов и их свойств по фотографиям, оптимизация (в смысле поиска оптимальных конфигураций) оптических систем, дополненная реальность, генеративные ИИ модели в компьютерной графике. Цель курса — дать учащимся расширенные знания и практические умения по тематике дифференцируемого рендеринга, являющейся фундаментальной базой при решении озвученных задач.
  • Владимир Фролов
    к.ф.-м.н., ВМК МГУ имени М.В.Ломоносова
    Научные интересы: пересечение ИИ и компьютерной графики: прямой и обратный рендеринг, технологии программирования GPU, нейронные модели в компьютерной графики

    Курс: Трехмерное компьютерное зрение и графика
    Искусственный Интеллект (ИИ) в компьютерной графике, а именно дифференцируемые аналитические и нейронные модели всё чаще применяются в решении научных и практических задач. Это прежде всего реконструкция 3D объектов и их свойств по фотографиям, оптимизация (в смысле поиска оптимальных конфигураций) оптических систем, дополненная реальность, генеративные ИИ модели в компьютерной графике. Цель курса — дать учащимся расширенные знания и практические умения по тематике дифференцируемого рендеринга, являющейся фундаментальной базой при решении озвученных задач.