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.

Когда говорят об ускорении нейросетевых вычислений, обычно имеют в виду GPU и CUDA. Однако современные NPU основаны на иной архитектурной логике и требуют других подходов к реализации и оптимизации операторов.

На примере Huawei Ascend в лекции будет показано, как устроен специализированный ускоритель для задач машинного обучения, чем он отличается от GPU и почему оптимизация вычислительных ядер приводит к математическим постановкам, связанным с графами зависимостей, Job-Shop Scheduling и MILP.

Лекция адресована студентам CS и математических направлений и показывает, какую роль дискретная оптимизация играет в современной системной разработке для ML.

Андрей Михайлович Райгородский
Доктор физ.-мат.наук, директор физтех-школы МФТИ

Поговорим, как абстрактные математические структуры и методы подсчёта возникают из простых и красивых задач, а затем становятся основой для технологий, которые формируют современный мир. Математика — это не набор сухих формул. Это живой язык для описания сложности нашего мира.

Теоретическая часть посвящена интерпретируемым моделям: k ближайших соседей, линейные модели, решающие деревья, SVM и наивный Байес. Участники научатся строго формулировать утверждения, строить доказательства, оценивать качество моделей и понимать границы их применимости. Большинство математических задач сопровождается экспериментами на Python.

Практическая часть — анализ данных и решение соревновательных задач. Начнем с базовых моделей и принципов обучения: нейронных сетей, методов оптимизации, оценки качества. Затем перейдем к современным направлениям — обучению с подкреплением, генеративным и диффузионным моделям — и к их практическим применениям: embeddings, RAG, CLIP и другим.