Тарасов Дмитрий Юрьевич

Преподаватель базовой кафедры ПАО Сбербанк «Финансовые технологии и анализ данных» факультета компьютерных наук НИУ ВШЭ. Окончил магистратуру Высшей школы экономики по направлению «Прикладная математика и информатика» (2022). Данные университета о начале работы расходятся: в карточке сотрудника указан 2024 год, тогда как архив учебных курсов показывает, что дисциплину он ведёт с 2022/2023 учебного года. Профессиональные интересы обозначены как прикладная математика и информатика.

Преподавание совмещает с промышленной разработкой: с июня 2017 года работает программистом в компании VK. Этот опыт определяет практическую направленность занятий — упор на инженерную сторону обучения нейронных сетей и на инструменты, которые используются в продуктовой разработке.

Ведёт дисциплину «Глубинное обучение» сразу в трёх версиях: для магистрантов программы «Финансовые технологии и анализ данных» направления 01.04.02 «Прикладная математика и информатика» (1-й курс, 3–4 модули, 6 кредитов, 80 контактных часов), для бакалавров 3-го курса программы «Экономика и анализ данных» направлений 01.03.02 и 38.03.01 (7 кредитов, 80 контактных часов) и в открытом для других программ формате «Маго-лего» (3–4 модули, 6 кредитов, 80 контактных часов). Курс читает вместе с Д. А. Деркачом. До 2025/2026 учебного года дисциплина существовала только в магистерском варианте и в формате «Маго-лего»; бакалаврская версия для программы «Экономика и анализ данных» появилась позднее и отличается от магистерской объёмом в кредитах при той же аудиторной нагрузке.

Программа выстроена от основ к современным архитектурам. В неё входят введение в глубинное обучение, алгоритм обратного распространения ошибки, функции активации и функции потерь, инициализация весов и гипотеза «счастливого билета» (Lottery Ticket Hypothesis), методы оптимизации и регуляризации, свёрточные сети и задачи компьютерного зрения, генеративные модели, обработка естественного языка и рекуррентные сети. Вторая половина курса посвящена трансформерам и большим языковым моделям: предобученным трансформерам и самообучению, законам масштабирования (Scaling Laws), обучению в контексте и масштабированию во время тестирования, методам эффективной дообучаемости PEFT, вызову функций и агентным паттернам, наблюдаемости, протоколу Model Context Protocol и схеме Retrieval-Augmented Generation, а также визуальным трансформерам, self-supervised и contrastive learning и мультимодальным моделям. Практическая часть строится на пакете PyTorch: студенты проводят серии экспериментов и анализируют их результаты, а заявленные результаты обучения формулируются как владение теоретическими основами нейронных сетей, знание PyTorch и умение решать прикладные задачи с их помощью.

Оценивание опирается прежде всего на самостоятельную работу — итоговая оценка на 80 % складывается из домашних заданий, оставшиеся доли приходятся на контрольную работу по материалу третьего модуля и экзамен по всему курсу. По результатам студенческой оценки дисциплина отмечена как лучшая сразу по трём критериям — «Новизна полученных знаний», «Полезность курса для Вашей будущей карьеры» и «Полезность курса для расширения кругозора и разностороннего развития». Учебная дисциплина «Глубинное обучение» зарегистрирована университетом как результат интеллектуальной деятельности (РИД 8.0093-2024) — её авторами указаны Д. Ю. Тарасов и А. Н. Кленицкий. Владеет английским языком.