“
Летняя школа «Интеллект» — это крутой микс обучения и отдыха, где мы создаём сообщество молодых учёных МГУ, увлечённых темой искусственного интеллекта.
Откройте для себя новый формат обучения и досуга в кругу единомышленников!
Проект, разработанный Некоммерческим Фондом развития науки и образования "Интеллект", создаёт идеальные условия для обмена знаниями и опытом.
В Летней школе вы встретите единомышленников — как слушателей, так и преподавателей ведущих образовательных проектов по ИИ под эгидой Фонда "Интеллект".
В Летней школе вы встретите единомышленников — как слушателей, так и преподавателей ведущих образовательных проектов по ИИ под эгидой Фонда "Интеллект".
О летней школе:
- Сроки проведения:с 6 по 12 июля 2025 года
(день заезда - 05.07.2025 г., день отъезда - 13.07.2025 г.) - Формат:Образовательная программа с проживанием, питанием и свободным временем
для пребывания на свежем воздухе на берегу Чёрного моря - Место проведения и трансфер:
На Летней школе вас ожидают:
Групповая работа над реальными бизнес-кейсами, которая позволит применить теорию на практике
Общение и обмен опытом с единомышленниками, разделяющими интерес к ИИ
Защита проектов и обратная связь от экспертов
Интерактивные лекции и практические задания от опытных преподавателей
ЛЕТНЯЯ ШКОЛА «ИНТЕЛЛЕКТ» —
погрузитесь в мир науки и передовых технологий, развивайте свои знания
и профессиональные контакты в нашей Летней школе на берегу Чёрного моря!
Расписание:
Content Oriented Web
Make great presentations, longreads, and landing pages, as well as photo stories, blogs, lookbooks, and all other kinds of content oriented projects.
8:00 - 09:00
Завтрак
09:00 - 10:30
Вводная лекция + вопросы
10:45 - 12:15
Стратегическая сессия
с представителями бизнеса
13:00 - 14:00
Обед
14:00 - 15:30
Стратегическая сессия
с представителями бизнеса
15:45 - 17:15
Деление на группы по проектам, постановка целей и задач, планирование работы в группах
18:00
Ужин
Завтрак
09:00 - 10:30
Вводная лекция + вопросы
10:45 - 12:15
Стратегическая сессия
с представителями бизнеса
13:00 - 14:00
Обед
14:00 - 15:30
Стратегическая сессия
с представителями бизнеса
15:45 - 17:15
Деление на группы по проектам, постановка целей и задач, планирование работы в группах
18:00
Ужин
6 июля
8:00 - 09:00
Завтрак
09:00 - 12:15
(с перерывом 15 минут)
Питчинг проектов
13:00 - 14:00
Обед
14:00 - 15:30
Подведение итогов, рефлексия, сбор обратной связи
15:45 - 17:15
Свободное время
18:00
Ужин
Завтрак
09:00 - 12:15
(с перерывом 15 минут)
Питчинг проектов
13:00 - 14:00
Обед
14:00 - 15:30
Подведение итогов, рефлексия, сбор обратной связи
15:45 - 17:15
Свободное время
18:00
Ужин
12 июля
8:00 - 09:00
Завтрак
09:00 - 12:15
(с перерывом 15 минут)
Михаил Игоревич Петровский, ВМК
"Классические методы машинного обучения"
ЛЕКЦИЯ И ПРАКТИКА
13:00 - 14:00
Обед
14:00 - 17:15
(с перерывом 15 минут)
Работа над проектами в группах
18:00
Ужин
Завтрак
09:00 - 12:15
(с перерывом 15 минут)
Михаил Игоревич Петровский, ВМК
"Классические методы машинного обучения"
ЛЕКЦИЯ И ПРАКТИКА
13:00 - 14:00
Обед
14:00 - 17:15
(с перерывом 15 минут)
Работа над проектами в группах
18:00
Ужин
с 7 по 11 июля
Группа 1 "Непрофильная"
День заезда - 5 июля, суббота
День отъезда - 13 июля, воскресенье
День отъезда - 13 июля, воскресенье
Content Oriented Web
Make great presentations, longreads, and landing pages, as well as photo stories, blogs, lookbooks, and all other kinds of content oriented projects.
8:00 - 09:00
Завтрак
09:00 - 10:30
Вводная лекция + вопросы
10:45 - 12:15
Стратегическая сессия
с представителями бизнеса
13:00 - 14:00
Обед
14:00 - 15:30
Стратегическая сессия
с представителями бизнеса
15:45 - 17:15
Деление на группы по проектам, постановка целей и задач, планирование работы в группах
18:00
Ужин
Завтрак
09:00 - 10:30
Вводная лекция + вопросы
10:45 - 12:15
Стратегическая сессия
с представителями бизнеса
13:00 - 14:00
Обед
14:00 - 15:30
Стратегическая сессия
с представителями бизнеса
15:45 - 17:15
Деление на группы по проектам, постановка целей и задач, планирование работы в группах
18:00
Ужин
6 июля
8:00 - 09:00
Завтрак
09:00 - 12:15
(с перерывом 15 минут)
Питчинг проектов
13:00 - 14:00
Обед
14:00 - 15:30
Подведение итогов, рефлексия, сбор обратной связи
15:45 - 17:15
Свободное время
18:00
Ужин
Завтрак
09:00 - 12:15
(с перерывом 15 минут)
Питчинг проектов
13:00 - 14:00
Обед
14:00 - 15:30
Подведение итогов, рефлексия, сбор обратной связи
15:45 - 17:15
Свободное время
18:00
Ужин
12 июля
8:00 - 09:00
Завтрак
09:00 - 12:15
(с перерывом 15 минут)
Виктория Сергеевна Зинькович, ШАД
"Мультимодальные LLM"
ЛЕКЦИЯ И ПРАКТИКА
13:00 - 14:00
Обед
14:00 - 17:15
(с перерывом 15 минут)
Работа над проектами в группах
18:00
Ужин
Завтрак
09:00 - 12:15
(с перерывом 15 минут)
Виктория Сергеевна Зинькович, ШАД
"Мультимодальные LLM"
ЛЕКЦИЯ И ПРАКТИКА
13:00 - 14:00
Обед
14:00 - 17:15
(с перерывом 15 минут)
Работа над проектами в группах
18:00
Ужин
с 7 по 11 июля
Группа 2 "Профильная"
День заезда - 5 июля, суббота
День отъезда - 13 июля, воскресенье
День отъезда - 13 июля, воскресенье
Content Oriented Web
Make great presentations, longreads, and landing pages, as well as photo stories, blogs, lookbooks, and all other kinds of content oriented projects.
8:00 - 09:00
Завтрак
09:00 - 10:30
Вводная лекция + вопросы
10:45 - 12:15
Стратегическая сессия
с представителями бизнеса
13:00 - 14:00
Обед
14:00 - 15:30
Стратегическая сессия
с представителями бизнеса
15:45 - 17:15
Деление на группы по проектам, постановка целей и задач, планирование работы в группах
18:00
Ужин
Завтрак
09:00 - 10:30
Вводная лекция + вопросы
10:45 - 12:15
Стратегическая сессия
с представителями бизнеса
13:00 - 14:00
Обед
14:00 - 15:30
Стратегическая сессия
с представителями бизнеса
15:45 - 17:15
Деление на группы по проектам, постановка целей и задач, планирование работы в группах
18:00
Ужин
6 июля
8:00 - 09:00
Завтрак
09:00 - 12:15
(с перерывом 15 минут)
Питчинг проектов
13:00 - 14:00
Обед
14:00 - 15:30
Подведение итогов, рефлексия, сбор обратной связи
15:45 - 17:15
Свободное время
18:00
Ужин
Завтрак
09:00 - 12:15
(с перерывом 15 минут)
Питчинг проектов
13:00 - 14:00
Обед
14:00 - 15:30
Подведение итогов, рефлексия, сбор обратной связи
15:45 - 17:15
Свободное время
18:00
Ужин
12 июля
8:00 - 09:00
Завтрак
09:00 - 12:15
(с перерывом 15 минут)
Михаил Михайлович Тихомиров, ВМК
"LLM: обучение и использование"
ЛЕКЦИЯ И ПРАКТИКА
13:00 - 14:00
Обед
14:00 - 17:15
(с перерывом 15 минут)
Работа над проектами в группах
18:00
Ужин
Завтрак
09:00 - 12:15
(с перерывом 15 минут)
Михаил Михайлович Тихомиров, ВМК
"LLM: обучение и использование"
ЛЕКЦИЯ И ПРАКТИКА
13:00 - 14:00
Обед
14:00 - 17:15
(с перерывом 15 минут)
Работа над проектами в группах
18:00
Ужин
с 7 по 11 июля
Группа 3 "Аспиранты"
День заезда - 5 июля, суббота
День отъезда - 13 июля, воскресенье
День отъезда - 13 июля, воскресенье
Лекторий:
Лекции от ведущих преподавателей образовательных проектов по ИИ, поддержанных Фондом "Интеллект" и представителей ИИ-индустрии
Об авторе
Аннотация курса
В последние годы в связи с бурным развитием и популярностью методов глубокого обучения недостаточно внимания уделяется классическим методам машинного обучения для решения задачи прогнозирования в случае разнородных табличных данных невысокого качества, для которых нейросетевые методы глубокого обучения оказываются недостаточно эффективны, а их модели недостаточно интерпретируемы. В рамках данного курса планируется рассмотреть и обсудить традиционные методы на основе деревьев решений и их ансамблей на примере задачи анализа рисков.
Содержание курса
Блок 1. Введение
Блок 2. Деревья решений для задач классификации и регрессии
Блок 3. Ансамбли
Блок 4. Бустинг
Блок 5: Продвинутый бустинг
- доцент кафедры Интеллектуальных информационных технологий факультета ВМК МГУ им. М.В. Ломоносова, лектор курса «Машинное обучение»
- руководитель магистерской программы «Интеллектуальный анализ больших данных»
- более 25 лет опыта участия и руководства научно-исследовательскими и прикладными ИТ проектами в области анализа данных и машинного обучения
- 2012-2022г. руководитель академической программы SAS в РФ и СНГ
- Профессиональная сертификация: Microsoft Certified Solution Developer, PMI Certified Project Management Professional, SAS Certified Data Scientist, Big Data & Advanced Analytics Professional и др.
Аннотация курса
В последние годы в связи с бурным развитием и популярностью методов глубокого обучения недостаточно внимания уделяется классическим методам машинного обучения для решения задачи прогнозирования в случае разнородных табличных данных невысокого качества, для которых нейросетевые методы глубокого обучения оказываются недостаточно эффективны, а их модели недостаточно интерпретируемы. В рамках данного курса планируется рассмотреть и обсудить традиционные методы на основе деревьев решений и их ансамблей на примере задачи анализа рисков.
Содержание курса
Блок 1. Введение
- AI, ML, DM, DS: История, терминология
- Задачи машинного обучения. Постановка задачи прогнозирования, функции потерь, эмпирический риск
- Признаковое пространство, гипотеза о компактности, проклятие размерности
- Обучение, переобучение, оценка качества и выбор лучшей модели
Блок 2. Деревья решений для задач классификации и регрессии
- Рекурсивное разбиение пространства признаков
- Генерация гипотез и критерии выбора лучшего разбиения
- Статистические критерии выбора разбиения и корректировка Бонферрони
- Обработка пропусков
- Борьба с переобучением: ограничение роста и обрубание
- Дерево решений как инструмент предобработки данных и построения описательных моделей
Блок 3. Ансамбли
- Понятие ансамбля моделей и типы ансамблей
- Бутстреппинг и бегинг ансамбли, OOB оценки
- Случайный лес, настройка и анализ модели
- Стекинг
Блок 4. Бустинг
- Адаптивный дискретный бустинг AdaBoost
- Бустинг с перевыборкой Arc-X4
- Классический градиентный бустинг, настройка и анализ модели
Блок 5: Продвинутый бустинг
- LightGBM (гистограммный метод, градиентный сэмплинг, комбинация категориальных предикторов)
- CatBoost (упорядоченный бустинг, WOE для категориальных предикторов, неряшливые деревья решений)
- XGBoost (ньютоновский бустинг)
Классический ML. Михаил Игоревич Петровский – к.ф.-м.н., ВМК
Об авторе
Аннотация курса
В рамках курса “Мультимодальные LLM” мы рассмотрим широкий спектр подходов, применяемых в современных мультимодальных моделях. Начнем с их высокоуровневой классификации, основанной на методах смешения различных модальностей входных данных (Deep / Early Fusion). Для каждого из типов мы более подробно разберем наиболее значимые фундаментальные архитектуры (Flamingo, LLaVA, Qwen-VL и др.) и ключевые подходы к их обучению.
От классических моделей, принимающих на вход текстовый запрос и изображение, мы постепенно перейдем к изучению других модальностей, включая видео (NExT-GPT, VideoPoet и др.) и модальность “action” (веб-агенты, роботы). Также в рамках курса мы рассмотрим модели 3D-понимания (LLaVA-3D, SpatialRGPT и др.) и уделим особое внимание интеграции генерации данных в мультимодальные LLM.
Содержание курса
Занятие 1. Введение и модальность изображений. Классификация vision-language моделей: Deep & Early Fusion
Занятие 2. Модальность видео. “Any-to-any” мультимодальные модели
Занятие 3. Интеграция генерации данных в мультимодальные LLM
Занятие 4. Модальность action (UI и роботы). Vision-language модели как агенты для роботов
Занятие 5. Модели 3D-понимания, синтез обучающих данных для 3D-распознавания
- младший научный сотрудник Института искусственного интеллекта (AIRI)
- преподаватель Школы анализа данных Яндекса
- BSc: прикладная математика и физика (МФТИ), MSc: науки о данных (Skoltech)
Аннотация курса
В рамках курса “Мультимодальные LLM” мы рассмотрим широкий спектр подходов, применяемых в современных мультимодальных моделях. Начнем с их высокоуровневой классификации, основанной на методах смешения различных модальностей входных данных (Deep / Early Fusion). Для каждого из типов мы более подробно разберем наиболее значимые фундаментальные архитектуры (Flamingo, LLaVA, Qwen-VL и др.) и ключевые подходы к их обучению.
От классических моделей, принимающих на вход текстовый запрос и изображение, мы постепенно перейдем к изучению других модальностей, включая видео (NExT-GPT, VideoPoet и др.) и модальность “action” (веб-агенты, роботы). Также в рамках курса мы рассмотрим модели 3D-понимания (LLaVA-3D, SpatialRGPT и др.) и уделим особое внимание интеграции генерации данных в мультимодальные LLM.
Содержание курса
Занятие 1. Введение и модальность изображений. Классификация vision-language моделей: Deep & Early Fusion
Занятие 2. Модальность видео. “Any-to-any” мультимодальные модели
Занятие 3. Интеграция генерации данных в мультимодальные LLM
Занятие 4. Модальность action (UI и роботы). Vision-language модели как агенты для роботов
Занятие 5. Модели 3D-понимания, синтез обучающих данных для 3D-распознавания
Мультимодальные LLM. Виктория Сергеевна Зинькович, ШАД
Об авторе
Аннотация курса
Большие языковые модели (LLM) приобретают всю большую популярность за счет своих обширных навыков и знаний, что позволяет использовать LLM как в повседневной жизни, так и в профессиональных задачах. Однако, для большей эффективности взаимодействия с LLM и для понимания, где языковые модели применимы, а где нет, необходимо понимать устройство современных систем на основе LLM, а также как языковые модели обучают, дообучают и применяют.
Содержание курса
Данный курс рассчитан на быстрое погружение в основы функционирования и обучения современных больших языковых моделей (LLM).
Темы курса включают в себя:
1) Архитектура трансформер, механизм внимания, токенизация, модель BERT, модель GPT, от трансформера до ChatGPT
2) Промптинг, zero-shot, few-shot
3) Выравнивание (alignment) LLM, методы дообучения LLM инструкциям, LoRa
4) Претрейнинг LLM: подготовка данных, разбор кода обучения, методы параллелизма
5) Inference LLM: vLLM, llama.cpp, ollama, sglang
6) Технические основы: связьpytorch-cuda-nvidia_drivers, docker. Квантизация, flash-attention
7) MoE, Архитектура DeepSeek, GRPO
8) SentenceBERT, векторные базы данных (Qdrant), RAG (retrieval augmented generation)
9) Оценка качества LLM
В рамках курса планируется практическая часть, связанная с задачами:
1) Использование инструктивных LLM для решения прикладных задач (промптинг)
2) Дообучение LLM инструкциям с использованием unsloth
3) Инференс LLM через: transformers, vllm, llama.cpp
4) Реализация RAG пайплайна в двух частях:
1. подготовка + векторизация датасета и реализация функции поиска
2. сборка RAG пайплайна с LLM в качестве генератора + сравнение качества RAG подхода и обычного подхода
- научный сотрудник НИВЦ МГУ
- один из создателей методологии Ruadapt по адаптации LLM на русский язык
Аннотация курса
Большие языковые модели (LLM) приобретают всю большую популярность за счет своих обширных навыков и знаний, что позволяет использовать LLM как в повседневной жизни, так и в профессиональных задачах. Однако, для большей эффективности взаимодействия с LLM и для понимания, где языковые модели применимы, а где нет, необходимо понимать устройство современных систем на основе LLM, а также как языковые модели обучают, дообучают и применяют.
Содержание курса
Данный курс рассчитан на быстрое погружение в основы функционирования и обучения современных больших языковых моделей (LLM).
Темы курса включают в себя:
1) Архитектура трансформер, механизм внимания, токенизация, модель BERT, модель GPT, от трансформера до ChatGPT
2) Промптинг, zero-shot, few-shot
3) Выравнивание (alignment) LLM, методы дообучения LLM инструкциям, LoRa
4) Претрейнинг LLM: подготовка данных, разбор кода обучения, методы параллелизма
5) Inference LLM: vLLM, llama.cpp, ollama, sglang
6) Технические основы: связьpytorch-cuda-nvidia_drivers, docker. Квантизация, flash-attention
7) MoE, Архитектура DeepSeek, GRPO
8) SentenceBERT, векторные базы данных (Qdrant), RAG (retrieval augmented generation)
9) Оценка качества LLM
В рамках курса планируется практическая часть, связанная с задачами:
1) Использование инструктивных LLM для решения прикладных задач (промптинг)
2) Дообучение LLM инструкциям с использованием unsloth
3) Инференс LLM через: transformers, vllm, llama.cpp
4) Реализация RAG пайплайна в двух частях:
1. подготовка + векторизация датасета и реализация функции поиска
2. сборка RAG пайплайна с LLM в качестве генератора + сравнение качества RAG подхода и обычного подхода
LLM: обучение и использование. Михаил Михайлович Тихомиров – к.ф.-м.н., ВМК
Календарь событий:
Скоро здесь будут фото и видео с Летней школы
Как это было в прошлом году:
Посмотрите, как проходила Летняя школа "Интеллект" в 2024 году
Место проведения:
г. Геленджик, ул. Мира, 38
Корпуса 3, 4, 7 и 8
GPS-координаты:
Широта: 44.569669
Долгота: 38.074375
- Корпуса 1, 2, "Ривьера", 6 и Летний домик
- Медцентр
Корпуса 3, 4, 7 и 8
GPS-координаты:
Широта: 44.569669
Долгота: 38.074375
Летняя школа «Интеллект». Все права защищены ©
Проект разработан и реализован при поддержке Некоммерческого Фонда развития и науки и образования «Интеллект»
и МГУ имени М. В. Ломоносова
Проект разработан и реализован при поддержке Некоммерческого Фонда развития и науки и образования «Интеллект»
и МГУ имени М. В. Ломоносова
