Анализ данных в науках о жизни: программа бакалавриата

Основа специализации построена вокруг двух взаимосвязанных научных ядер: геномной эволюции и вероятностного моделирования. В ходе обучения слушатель осваивает биологические принципы, формирующие генетическое разнообразие организмов, и одновременно погружается в математические подходы, позволяющие формализовать и анализировать эти сложные процессы. Такое сочетание создает прочную базу для карьеры в области анализа биологических и медицинских данных, а также открывает путь в сферы, где ценятся универсальные алгоритмические и статистические методы.

Благодаря глубокой фундаментальной подготовке по математике и программированию, данное образование будет одинаково полезно как студенту, увлеченному биологией, так и будущему специалисту по вероятностному моделированию. Итоговый результат — это зрелый аналитик, способный не просто применять готовые библиотеки, а понимать математическую сущность моделей и адаптировать их под уникальные вызовы, которые ставят науки о жизни.

Профессиональные дисциплины:

• Дискретная математика (углубленный курс)
• Дискретная математика
• Линейная алгебра и геометрия
• Линейная алгебра и геометрия (углубленный курс)
• Алгебра (углубленный курс)
• Алгебра
• Математический анализ (углубленный курс)
• Математический анализ
• Теория чисел
• Теория чисел (углубленный курс)
• Программирование
• Язык программирования
• Алгоритмы и структуры данных (углубленный курс)
• Алгоритмы и структуры данных 2 (углубленный курс)
• Язык программирования Python
• Программирование на C++
• Алгоритмы и структуры данных
• Алгоритмы и структуры данных 2
• Теория вероятностей
• Теория вероятностей (углубленный курс)
• Математический анализ 2 (углубленный курс)
• Архитектура компьютера
• Операционные системы
• Математическая статистика
• Математическая статистика 1 (углубленный курс)
• Методы оптимизации
• Методы оптимизации в машинном обучении
• Машинное обучение.

Вариативная часть:

• Научно-исследовательский семинар «Анализ данных в науках о жизни»
• Вероятностное моделирование в геномике
• Введение в вычислительную геномику
• Глубинное обучение
• Машинное обучение для больших данных
• Прикладная статистика в машинном обучении.

Дисциплины по выбору:

• Обучение с подкреплением
• Генеративные модели в машинном обучении
• DevOps
• Соревновательный анализ данных (преподается на иностранном языке)
• Введение в дифференциальную геометрию (преподается на иностранном языке).