Научно-практический интенсив по воспроизведению современных научных результатов

ПРЕПОДАВАТЕЛИ

• Александр Гасников. Ментор проекта, доктор физико-математических наук, профессор кафедры математических основ управления факультета управления и прикладной математики Московского физико-технического института
• Александр Лобанов. Ментор проекта, научный сотрудник МФТИ, младший научный сотрудник Сколтеха, стажёр-исследователь ИСП РАН.
• Александр Антонов. Ментор проекта, руководитель группы оценки качества перевода, Яндекс
• Константин Гордеев. Ментор проекта, ML-разработчик, Яндекс

Участники и порядок отбора

К участию приглашаем студентов бакалавриата, магистратуры и аспирантуры, интересующихся современными достижениями в различных областях машинного обучения, построением новых архитектур глубоких нейронных сетей, систем хранения и обработки данных. Уровень образования: минимум — 1-й курс бакалавриата/специалитета, максимум — 2-й курс аспирантуры.

Направление обучения студентов — информационные технологии, автоматизация, программная инженерия, а также другие направления в области информационных технологий.
Для освоения содержания дополнительной профессиональной программы слушатели должны владеть следующими знаниями и компетенциями:

• знания в области информационных технологий;
• знания основ программирования на языке python или C++;
• знания алгоритмов и структур данных;
• навыки построения проектов по обучению и тестированию моделей машинного обучения, проведению численных экспериментов;
• навыки командной работы, принятия решений, эффективных коммуникаций;
• уровень английского языка, достаточный для изучения материалов по тематике информационных технологий на английском языке (рекомендуемый уровень: Intermediate и выше).

Форма организации отбора слушателей

Индивидуальный отбор, состоящий из следующих этапов:

• выполнение общих (технических) требований к заявке: прохождение регистрации в заявочной системе «Сириус.Онлайн» и на сайте Яндекс Образования, заполнение анкеты.
• решение тестовых заданий в системе Яндекс.Контест;
• оценивание резюме и мотивационного письма;
• собеседование.

Задания для конкурсного отбора:

1. Программная реализация задачи на моделирование (программирование).
2. Программная реализация решения задачи на графы (программирование).
3. Программная реализация модуля предобработки и поиска данных (программирование).
4. Программная реализация метода оптимизационного поиска наилучшего приближения решения (программирование, машинное обучение).
5. Первичный анализ эксперимента из научной статьи на возможные риски в воспроизведении и ожидаемые результаты. Оценка необходимых ресурсов.

Критерии отбора

Результаты отборочных мероприятий будут оцениваться по следующим критериям:

Оценка анкеты (максимум 10 баллов):

• участие в мероприятиях, включённых в государственный информационный ресурс о детях, проявивших выдающиеся способности, получателей грантов Президента РФ (победитель, призёр) (3-4 балла);
• участие в отраслевых ИТ-хакатонах и соревнованиях по программированию за период 2023–2025 гг. (победитель-призёр) (2-4 балла);
• участие в академических проектах Яндекса и иных соревнованиях (1–4 балла).

Тестовое задание в системе Яндекс.Контест

Расчёт баллов осуществляется по каждой задаче отдельно. Задачи проверяются автоматически. Разбалловка по задачам следующая:

• все решённые задачи – 40 баллов;

• 0 решённых задач – 0 баллов;

• 1-ая задача – 4 балла;

• 2-ая задача – 6 баллов;

• 3-я задача – 8 баллов;

• 4-я задача – 10 баллов;

• 5-я задача – 12 баллов.

Оценка обзора выбранной в системе Яндекс.Контест статьи (до 10 баллов). Выполненный обзор загружается в систему Яндекс.Контест:

• описание программного и хардверного окружения, требуемого для выполнения эксперимента (1–3 балла);
• описание результатов, которые вероятно удастся воспроизвести, описание предварительных рисков для воспроизведения (1–4 балла);
• описание сценариев возможного развития экспериментов и исследований из статьи (1–3 балла).
• 50 кандидатов с наивысшим баллом по результатам оценивания трёх критериев приглашаются для прохождения собеседования с организаторами программы. В ходе собеседования задаются дополнительные вопросы по выполненным заданиям и оценивается готовность студента к командной работе над проектами:
• соискатель предоставляет ответы по сути технических вопросов по выполнению тестового задания и обзора статьи, ответы являются развёрнутыми, аргументированными и логично изложенными; кандидат показывает мотивацию и заинтересованность в участии в программе, соискатель рассматривает карьерные перспективы в связи с получением знаний, умений, навыков после завершения образовательной программы; навыки и персональные качества соискателя показывают его готовность к командной работе над проектами – до 100 баллов;
• соискатель предоставляет ответы по сути технических вопросов по выполнению тестового задания и обзора статьи, ответы являются развёрнутыми, аргументированными; навыки и персональные качества соискателя показывают его готовность к командной работе над проектами – до 80 баллов;
• соискатель предоставляет ответы формально, ответы являются неразвёрнутыми и неаргументированными; кандидат показывает мотивацию и заинтересованность в участии в программе, навыки и персональные качества соискателя показывают его готовность к командной работе над проектами – до 40 баллов;
• соискатель предоставляет ответы формально, ответы являются неразвёрнутыми и неаргументированными – до 20 баллов;
• соискатель не предоставляет ответы на технические вопросы по выполнению тестового задания; навыки и персональные качества соискателя не показывают его готовность к командной работе над проектами – 0 баллов.

Техническим критерием для отбора участников на программу является соблюдение требований, указанных в графе «Входные требования, необходимые для освоения содержания Программы». (Участник является студентом очного обучения, возрастом 18 лет и старше, указанных курсов и направлений обучения.) Данный критерий является обязательным, баллы за данный критерий не предусматриваются. Суммарные значения результатов отображаются в итоговом рейтинге участников. Участники, продемонстрировавшие наилучшие результаты и выполнившие общие (технические) требования к заявке, приглашаются на обучение по программе.

Спорные вопросы решаются на уровне руководителя программы. При формировании итогового рейтинга участников учитывается суммарный балл по всем отборочным испытаниям.

Условия участия

Проезд/перелёт, проживание и питание на программу оплачивается организаторами.

Всем, кто прошёл конкурсный отбор и был приглашён на программу, необходимо предоставить справку с места обучения, взятую не ранее, чем за 3 месяца до начала образовательной программы. 

Плата за обучение на программе не взимается.

К участию в программе допускаются только граждане РФ.

Регистрация необходима на обеих платформах: Сириус.Онлайн и Яндекс.Образование

На программу не допускаются студенты, принимавшие ранее участие в других дополнительных образовательных программах Научно-технологического университета «Сириус» в 2025 году за счёт средств Университета более двух раз.

Приглашённые на программу студенты, не сообщившие о невозможности прибыть на программу, не будут допущены к отбору на следующие дополнительные образовательные программы за счет средств Университета.

Студенты, отчисленные с дополнительной профессиональной программы как не прошедшие успешно итоговую аттестацию, не будут допущены к отбору на следующие дополнительные образовательные программы за счёт средств Университета.

Учебно-методические материалы

Перечень основной литературы:

• Абу-Мостафа Я., Магдон-Исмаил М., Линь С. Learning From Data. 2012.
• Николенко С. И., Кадурин А. А., Архангельская Е. О. Глубокое обучение. 2018.
• Саттон Р., Барто Э. Обучение с подкреплением. 2020.
• Роузброк А. Deep Learning for Computer Vision with Python. 2017.
• Джурафски Д., Мартин Д. Speech and Language Processing. 2025

Научные статьи и труды конференций:

• Gaier A., Ha D., Weight Agnostic Neural Networks - URL: https://weightagnostic.github.io/
• Beznosikov A., Samokhin V., Gasnikov A. Distributed saddle point problems: lower bounds, near-optimal and robust algorithms – URL: https://www.tandfonline.com/doi/abs/10.1080/10556788.2025.2463986 
• Hu E., Shen Y., Wallis P., Allen-Zhu Z., Li Y., Wang S., Wang L., Chen W. LoRA: Low-Rank Adaptation of Large Language Models - URL: https://arxiv.org/abs/2106.09685
• Kocmi T., Federmann C. Large Language Models Are State-of-the-Art Evaluators of Translation Quality. - URL: https://arxiv.org/pdf/2302.14520.pdf.
• Radford A., Jong Wook Kim, Hallacy C., Ramesh A., Goh G., Agarwal S., Sastry G., Askell A., Mishkin P., Clark J., Krueger G., Sutskever I. Learning Transferable Visual Models From Natural Language Supervision - URL: https://arxiv.org/abs/2103.00020.
• Rogozin A., Gasnikov A., Beznosikov A., Kovalev D., Decentralized Convex Optimization over Time-Varying Graphs: a Survey - URL: https://arxiv.org/pdf/2210.09719.pdf.
• Vogels Т., Hendrikx Н., Jaggi М. Beyond spectral gap: The role of the topology in decentralized learning - URL: https://arxiv.org/pdf/2206.03093.pdf.
• Woodworth В., Srebro N., An Even More Optimal Stochastic Optimization Algorithm: Minibatching and Interpolation Learning - URL: https://proceedings.neurips.cc/paper/2021/file/3c63ec7be1b6c49e6c308397023fd8cd-Paper.pdf.
• Foster I. Cloud Computing for Science and Engineering / I. Foster, D.B. Gannon; The MIT Press, 2017. - URL: https://cloud4scieng.org.

Перечень ресурсов информационно-телекоммуникационной сети «Интернет»:

• Комплексная платформа машинного обучения TensorFlow, https://www.tensorflow.org/.
• Онлайн учебник «Машинное обучение», https://education.yandex.ru/handbook/ml
• Онлайн учебник «Основы алгоритмов», https://education.yandex.ru/handbook/algorithms
• Руководство пользователя интерфейса визуализации данных Python Dash, https://dash.plotly.com/.
• Фреймворк машинного обучения PyTorch, https://pytorch.org/tutorials