Современные методы машинного обучения и компьютерного зрения: программа бакалавриата

Обучение построено на глубоком погружении в математический аппарат и алгоритмическую базу, что позволяет выпускникам не просто использовать готовые инструменты, а разрабатывать собственные эффективные модели. Студенты осваивают широкий спектр современных технологий, от классических методов программирования и работы с базами данных до узкоспециализированных дисциплин в области нейросетей, обработки естественного языка и робототехники. Особое внимание уделяется практическим аспектам создания и внедрения интеллектуальных систем: подготовке данных, управлению жизненным циклом моделей (ML Ops), разработке гибридных решений и генеративных нейросетей. Изучение кроссплатформенной разработки, микросервисной архитектуры и информационной безопасности формирует компетенции, необходимые для построения сложных, отказоустойчивых и современных программных продуктов в условиях реальной индустрии.

Профессиональные дисциплины:

• Основы российской государственности
• Иностранный язык
• Математический анализ
• Алгебра и аналитическая геометрия
• Физика
• Дифференциальные уравнения
• Дискретная математика
• Безопасность жизнедеятельности
• Компьютерные сети
• Правоведение
• Психология
• Физические основы построения ЭВМ
• Комплексный анализ
• Математический анализ II
• Базы данных
• Экономика
• Русский язык и основы деловой коммуникации
• WEB-разработка
• Объектно-ориентированное программирование и шаблоны проектирования
• Программирование
• Алгоритмы и структуры данных
• Численные методы
• Кроссплатформенные десктоп приложения
• Функциональный анализ
• Разработка мобильных приложений
• DevOps
• Операционные системы
• Параллельное и низкоуровневое программирование
• Алгебра и введение в тензорный анализ
• Микросервисная архитектура
• Численные методы и цифровая обработка сигналов
• Уравнения математической физики.

Вариативная часть:

• Мультиагентные системы
• Основы информационной безопасности
• Нейросетевые технологии
• Промпт-инжиниринг в профессиональной деятельности
• Технологии компьютерного зрения
• Современные методы компьютерного зрения
• Обработка естественного языка
• ИИ в робототехнике
• Анализ и проектирование информационных систем
• Технологии управления данными NoSQL
• Теория вероятностей и математическая статистика
• Технологии обработки больших данных
• Многомерный статистический анализ
• Интеллектуальные методы оптимизации
• Современные технологии машинного обучения
• Обработка данных на Python.

Дисциплины по выбору:

• Подготовка данных машинного обучения
• Data-Centric Machine Learning
• Генеративные нейронные сети
• Состязательные и автоэнкодерные модели
• DataOps & ML Ops
• Управление жизненным циклом данных и ML-моделей
• Коллективная разработка информационных систем
• Разработка гибридных интеллектуальных систем
• Анализ данных машинного обучения
• Методы искусственного интеллекта в задачах классификации
• Системы искусственного интеллекта
• Гибридный ИИ.