Машинное обучение и анализ данных: программа магистратуры

В рамках этой программы студенты изучают широкий спектр теоретических и практических дисциплин, которые позволяют им развивать навыки в области обработки больших данных, статистического моделирования, анализа и интерпретации результатов.

Студенты получают глубокое понимание основных алгоритмов машинного обучения, включая нейронные сети, ансамбли моделей, решающие деревья и методы кластеризации. Они также изучают различные техники предобработки данных, включая отбор признаков, нормализацию и снижение размерности. Программа также включает изучение методов обработки естественного языка, компьютерного зрения и распознавания образов.

На курсах по анализу данных студенты изучают статистические методы, теорию вероятностей и экспериментальный дизайн, чтобы эффективно анализировать данные и делать выводы на основе статистических выводов. Они также знакомятся с методами визуализации данных и понимают, как эффективно представлять результаты анализа.

Кроме того, в рамках программы студенты изучают основы больших данных, включая технологии хранения, обработки и анализа данных в распределенных системах. Они знакомятся с основами облачных вычислений и понимают, как применять их для эффективной работы с большими объемами данных.

Профессиональные дисциплины:

• Предиктивная аналитика
• Развитие эмоциональных навыков
•  Философия искусственного интеллекта
• Базы данных II
• Python: Продвинутый уровень
• Облачные технологии
• Управление IT-проектами
• Развитие социальных навыков
• Нейросетевая обработка текстов и изображений
• Обучение с подкреплением
• Теория вероятностей и статистика в машинном обучении
• Мониторинг проектной деятельности.

Вариативная часть:

• Развитие когнитивных навыков
• Параллельные и распределенные вычисления
• Архитектура информационных систем
• Машинное обучение
• Большие данные и распределенные системы
• Обеспечение качества
• DevOps и MLOps
• Проектирование систем машинного обучения.

Элективные дисциплины:

• Математика для Data Science
• Дополнительные главы высшей математики
• Глубокое обучение и искусственный интеллект
• Нейронные сети
• Генеративные модели и Prompt Engineering
• Программная инженерия.