DSA Faculty
API
← к списку преподавателей

Рудаков Кирилл Александрович

Факультет компьютерных наук

Профиль на hse.ru ↗ тел.: 28325
Публикаций
2
Языков
1
Наград
0
Конференций
0
Профиль Публикации (2) Курсы (4)

Профессиональные интересы

Алгоритмы и структуры данных

Должности

  • Старший преподаватель — Факультет компьютерных наук, Департамент больших данных и информационного поиска

Био

  • · Начал работать в НИУ ВШЭ в 2016 году.

Образование

  • 2018 · Магистратура: Национальный исследовательский университет "Высшая школа экономики", специальность «Прикладная математика и информатика», квалификация «Магистр»
  • 2016 · Бакалавриат: Национальный исследовательский университет "Высшая школа экономики", специальность «Прикладная математика и информатика», квалификация «Бакалавр»

Опыт работы

  • · 2014: Октябрь – Декабрь MTE-Телеком, PHP-программист стажер
  • · 2017: Май Август
  • · 2018: ФГУП НО РАО, главный специалист
  • · 2018 — по настоящее время: Сентябрь НИУ Высшая школа экономики, научный сотрудник и семинарист
  • · 2018: Ноябрь Май
  • · 2021: Exactpro Systems, консультант по анализу данных
  • · 2018: Ноябрь Август
  • · 2019: Quantstellation, Quant-исследователь
  • · 2021 — по настоящее время: Май Tinkoff Инвестиции, технолог в Advisory

Идентификаторы исследователя

Публикации (2)

Visualization of Data Science Community in Russia.

2018 · CHAPTER · en

We present in the form of two visualizations some preliminary results of the ongoing study of data science community in Russia. The rst visualization aggregates data about top researches and their elds of interest according to the Google Scholar service. The second graph is a map of the largest online communities on date science on VKontakte platform.

DOI ↗ PDF ↗

NRU-HSE at SemEval-2016 Task 4: The open quantification library with two iterative methods

2016 · CHAPTER · en

In many areas, such as social science, politics or market research, people need to track sentiment and their changes over time. For sentiment analysis in this field it is more important to correctly estimate proportions of each sentiment expressed in the set of documents (quantification task) than to accurately estimate sentiment of a particular document (classification). Basically, our study was aimed to analyze the effectiveness of two iterative quantification techniques and to compare their effectiveness with baseline methods. All the techniques are evaluated using a set of synthesized data and the SemEval-2016 Task4 dataset. We made the quantification methods from this paper available as a Python open source library. The results of comparison and possible limitations of the quantification techniques are discussed.

PDF ↗

Курсы (4)