Науки о данных и искусственный интеллект: программа магистратуры

Программа предлагает гибкий путь профессионального становления, позволяя сконцентрироваться на одном из ключевых направлений: разработке интеллектуальных систем машинного обучения, создании алгоритмов для анализа изображений и естественного языка или построении отказоустойчивых и масштабируемых инфраструктур для работы с данными. Обучение строится на синтезе фундаментальной теоретической базы и интенсивной практики, включающей решение реальных кейсов от индустриальных партнеров.

Итогом становится формирование компетенций, востребованных в ведущих технологических компаниях: от постановки задачи и исследования данных до проектирования, внедрения и поддержки жизненного цикла AI-решений. Это образование готовит не просто исполнителей, а архитекторов интеллектуальных систем, способных совершать прорывы в цифровой трансформации.

Профессиональные дисциплины:

• Программирование на языке Python
• Машинное обучение с учителем
• Базы данных и язык SQL
• BI и методы визуализации данных
• Специальные разделы теории вероятностей
• Специальные разделы математической статистики
• Предподготовка и анализ данных
• A/B-тестирование
• Алгоритмы и структуры данных
• Операционные системы семейства Unix
• Soft Skills
• Учебная практика (практический хакатон)
• Гибкие методологии
• Производственная практика
• Учебная практика (практический хакатон)
• Выполнение научно-исследовательской работы
• SQL и базы данных (факультатив).

Трек Data Engineering

• Анализ бизнес-метрик и продвинутый SQL
• Практическая бизнес-аналитика
• Введение в системный анализ
• Работа с данными в хранилище
• Автоматизация подготовки данных
• Принципы проверки качества входных данных
• Аналитические базы данных и хранилища
• Потоковая обработка данных и их хранение в озере
• Облачные технологии и проектный практикум.

Трек Data Science

• Машинное обучение без учителя
• Принципы разработки на языке Python
• Прогнозирование временных рядов.

Специализация ML

• Разработка пайплайнов подготовки данных и обучения модели
• Принципы и методы повышения качества базовой модели
• Вывод модели машинного обучения в производственную среду
• Практический MLOps
• Рекомендательные системы
• Uplift-моделирование.

Специализация CV

• Работа с изображениями и текстами
• Конволюционные нейронные сети
• Задача детекции компьютерного зрения
• Задача сегментации компьютерного зрения
• Обработка видео-потока
• Генеративные модели машинного обучения.

Специализация NLP

• Работа с изображениями и текстами
• Классические и глубинные модели для работы с текстом
• Преобразование последовательностей
• Модели на базе архитектуры трансформер
• Большие языковые модели
• Генеративные модели для речи и текста.