Запуск Computer Science Space

1 марта в Санкт-Петербурге запускается Computer Science Space — открытый научно-технологический клуб для всех заинтересованных в современных и классических областях CS.

💡 Что в планах?
Мы будем проводить курсы и мероприятия в форматах:
– Теоретические лекции от исследователей ведущих университетов и лабораторий,
– Прикладные занятия от индустриальных специалистов из стартапов и бигтех-компаний,
– Интерактивные митапы,
– Алгоритмические контесты и математические соревнования,
– Научные школы.

💡 Для кого?
Для всех, кому интересно развитие Computer Science в широком смысле: от алгоритмов и формальных методов до индустриальных решений, прикладной статистики и машинного обучения.
Спектр мероприятий будет рассчитан на широкую аудиторию: студентов, исследователей, технических специалистов и энтузиастов. Мы уверены, что вне зависимости от уровня подготовки вы найдёте сообщество единомышленников, способных разделить с вами профессиональные и научные интересы.

💡 Где?
Базой нашей организации станет знаковое для петербургского CS-сообщества место — ПОМИ РАН (наб. Фонтанки, д. 27). Мероприятия также будут проходить на площадках партнёров и онлайн.

Как оставаться в курсе событий?
Все новости, анонсы мероприятий, расписания курсов и другие обновления можно найти на наших информационных ресурсах:
🪐 Сайт проекта: csspace.io
📢 Telegram-канал: @csspace
💬 Telegram-чат: @csspace_chat

😁 Команда проекта
– Руководитель: @aaignatiev
– Координаторы: @dsagunov, @slabod, @evmenoffjr, @yurudem

В следующей новости мы анонсируем афишу мероприятий на весну. Следите за обновлениями, подписывайтесь, приглашайте коллег и однокурсников!

С гордостью представляем наше первое мероприятие: открытую лекцию Сергея Николенко!

💡 State of AI: Откуда мы пришли, кто мы и куда мы идём?

– Страница мероприятия
– 16 марта, 14:00 – 17:30
– ПОМИ РАН, наб. реки Фонтанки, 27, Санкт-Петербург
– Пожалуйста, не забудьте зарегистрироваться — это необходимое условие посещения ПОМИ РАН.

⭐️ О лекторе

Сергей Николенко — учёный, преподаватель и практик в области машинного обучения и информатики в целом. Доктор физико-математических наук, сотрудник ПОМИ РАН, преподаватель в СПбГУ, Harbour Space University, ИТМО и НИУ ВШЭ, Head of AI в компании Synthesis AI, автор более 200 научных публикаций и нескольких книг, в том числе бестселлера «Глубокое обучение» (Питер, 2018), монографии «Synthetic Data for Deep Learning» (Springer, 2021) и прямо сейчас появляющейся в продаже книги «Машинное обучение: Основы» (Питер, 2025). Сергей ведёт исследования в разных областях, от улучшения больших языковых моделей до анализа алгоритмов и теоретической информатики, применяет машинное обучение в реальных проектах, пишет посты и книги, ведет телеграм-канал «Sinекура» (@sinecor), а также стал двукратным чемпионом мира по «Что? Где? Когда?».

📢 Анонс

Уже два года мы живём в эпоху больших языковых моделей (large language models, LLM). За пределы академического сообщества эти новости вышли после появления ChatGPT от OpenAI, а затем появилось много разных моделей, либо созданных на основе ChatGPT, либо продолжающих и развивающих её идеи. Например, главные новости последних месяцев — это большие рассуждающие модели (large reasoning models, LRM), сначала появившиеся у OpenAI в виде семейства o1, а затем внедрённые практически во все ведущие LLM, в том числе [полу]открытые. Начиная с весны 2023 года, буквально каждую неделю появляются новости, которые раньше считались бы революционными, и скорость прогресса никак не хочет уменьшаться.

В первой части я постараюсь рассказать о том, как искусственный интеллект дошёл до такой жизни. Мы поговорим о том, что такое нейросети в целом, как произошла сначала революция глубокого обучения, потом внутри неё революция трансформеров, а потом, внутри неё, — революция больших языковых моделей. Обсудим самые последние новости и сформулируем несколько направлений, которые прямо сейчас являются предметом активных исследований. DeepSeek-R1 тоже обсудим, разумеется. Кое-какие технические детали, возможно, рассказать будет уместно, но я постараюсь сделать рассказ максимально доступным для непрофессионалов.

Анонсируем наш первый курс!

💡 Fine-grained complexity

– Страница курса
– Первая лекция 22 марта, 12:00. Расписание лекций можно найти на сайте
– Мраморный зал, ПОМИ РАН, наб. реки Фонтанки, 27, Санкт-Петербург
– Пожалуйста, не забудьте зарегистрироваться — это необходимое условие посещения ПОМИ РАН. Достаточно сделать это один раз для посещения любой лекции курса.

⭐️ О лекторе

Данил Сагунов
– Научный сотрудник ИТМО, МКН СПбГУ; выпускник магистратуры Академического Университета РАН по направлению Теоретическая информатика
– Научные интересы: parameterized complexity, algorithmic graph theory, exact algorithms, algorithms for NP-hard problems, kernelization, computational complexity, graph algorithms and parameters
– Финалист ICPC 2016
– Координатор Сodeforces и HackerRank 2016
– Личная страница: danilka.pro

📢 Анонс

Мы уже привыкли к тому, что выражение «задача NP-трудна» стало синонимом «задача не решается за полиномиальное время», хотя неравенство классов P и NP до сих пор не доказано. А что, если задача всё-таки решается за полиномиальное время, но сам порядок полинома нас не очень устраивает? Например,

– Можем ли мы быстрее n^2 найти среди набора из n бинарных строк две строки, у которых не совпадает ни один единичный бит?

– Можно ли найти в заданном наборе три числа с заданной суммой существенно быстрее n^2?

– Вычислим ли радиус заданного графа быстрее n^3?

В курсе мы постараемся установить связи между этими и другими классическими алгоритмическими задачами, многие из которых широко применяются и не являются NP-трудными. Например, докажем, что алгоритм со временем работы n^1.9 для первой задачи позволит решать задачу выполнимости быстрее 1.9999^n; а третий вопрос неразрывно связан с кубическим алгоритмом для задачи APSP вычисления матрицы кратчайших расстояний.

В отличие от полиномиальных сведéний, которые используются для доказательства NP-трудности, в fine-grained сведениях мы будем более детально следить за временем работы и размером задачи (отсюда и название). Например, мы покажем, что задача из первого вопроса сводится (за время быстрее, чем n^1.9) к поиску наибольшей общей подпоследовательности (Longest Common Subsequence, LCS) заданных двух строк длины O(n). Как следствие, алгоритм со временем работы n^1.9 для LCS повлечёт 1.9999^n-алгоритм для задачи выполнимости.

Мы познакомимся с известными результаты области, как с классическими, так и с более современными, рассмотрим открытые вопросы, поговорим о лучших известных алгоритмах для некоторых из задач и о препятствиях для сведения их друг к другу.

Пререквизиты: для восприятия курса потребуется знакомство с базовым курсом алгоритмов.