Машинное обучение и приложения: программа бакалавриата

На программе студенты получат глубокие знания в области машинного обучения и его применения в различных сферах. Они изучат основные алгоритмы машинного обучения, статистические методы и математические модели, которые используются для анализа данных и прогнозирования. Студенты также научатся разрабатывать и реализовывать алгоритмы машинного обучения, анализировать большие объемы данных и применять их для решения задач в различных областях, таких как компьютерное зрение, обработка естественного языка, робототехника, финансы и медицина. Они будут осваивать современные инструменты и технологии, используемые в машинном обучении, и научатся применять их для создания инновационных решений и развития новых приложений. Кроме того, студенты также будут развивать навыки программирования, работы с базами данных и анализа данных, что поможет им стать квалифицированными специалистами в области машинного обучения и приложений.

На данной специализации студенты обучаются машинному обучению и решению задач анализа данных. В программу входят общий курс по машинному обучению, курсы по прикладным задачам анализа данных (анализ текстов, компьютерное зрение, анализ временных рядов). Кроме того, в ней присутствуют курсы по современным методам построения сложных вероятностных моделей обработки данных, работе с большими данными, глубинному обучению. 

Профессиональные дисциплины:

• Экономика
• Безопасность жизнедеятельности
• Алгоритмы и структуры данных
• Алгоритмы и структуры данных (углубленный курс)
• Архитектура компьютера и операционные системы
• Дискретная математика
• Дискретная математика (углубленный курс) 
• Алгебра
• Алгебра (углубленный курс)
• Линейная алгебра и геометрия
• Линейная алгебра и геометрия (углубленный курс)
• Математический анализ
• Математический анализ (углубленный курс)
• Методы оптимизации
• Методы оптимизации в машинном обучении
• Основы и методология программирования
• Основы и методология программирования (углубленный курс)
• Теория вероятностей и математическая статистика
• Теория вероятностей и математическая статистика (углубленный курс)
• Введение в глубинное обучение.

Вариативная часть:

• Машинное обучение
• Прикладной статистический анализ данных
• Машинное обучение для больших данных
• Анализ неструктурированных данных
• Компьютерное зрение
• Байесовские методы в машинном обучении
• Глубинное обучение
• Вероятностные модели и статистика случайных процессов
• Численные методы в анализе данных.

Дисциплины по выбору:

• Высокопроизводительные вычисления
• Моделирование временных рядов
• Теория баз данных
• Анализ данных в бизнесе
• Компьютерные сети
• Численные методы
• Анализ неструктурированных данных
• Байесовские методы в машинном обучении
• Теория статистического обучения
• Компьютерное зрение
• Обучение с подкреплением
• Проектирование и разработка высоконагруженных сервисов
• Дифференциальные уравнения
• Основы матричных вычислений
• DevOps.