Получи бесплатно второй диплом (о профессиональной переподготовке) в сфере информационных технологий. Уникальное предложение для студентов московской площадки, филиалов НИЯУ МИФИ и партнерских вузов.
Прикладной анализ данных
Дополнительная профессиональная программа профессиональной переподготовки Цифровой кафедры НИЯУ МИФИ.
Программа федерального проекта «Развитие кадрового потенциала ИТ-отрасли» национальной программы «Цифровая экономика Российской Федерации»
Прикладной анализ данных
Запись закрыта
О программе
Программа "Прикладной анализ данных" фокусируется на практическом применении методов машинного обучения и анализа данных. Студенты освоят Python, углубятся в алгоритмы машинного обучения, включая глубокое обучение, и научатся решать практические задачи с использованием современных инструментов и библиотек. Курс сочетает теорию с практикой: от имплементации алгоритмов до участия в соревнованиях на платформах, таких как Kaggle.
В рамках курса студенты получат навыки анализа и обработки данных, разработки, обучения и оценки базовых моделей машинного обучения, разработки нейронных сетей.
В рамках курса студенты получат навыки анализа и обработки данных, разработки, обучения и оценки базовых моделей машинного обучения, разработки нейронных сетей.
Визитка программы
Егоров Алексей Дмитриевич
Заместитель директора студенческого офиса
Желание стать высоковостребованным IT-специалистом
Быть студентом московской площадки, филиала НИЯУ МИФИ или студентом наших партнерских вузов* и не иметь задолженностей по основной программе
Требования для поступления
Обучение могут проходить студенты бакалавриата и специалитета от 2-го курса, а также магистратуры и ординатуры очной и очно-заочной формы обучения на 1 сентября 2024 года
Партнерские вузы
Федеральное государственное бюджетное образовательное учреждение высшего образования «Тверской государственный университет»
Федеральное государственное бюджетное образовательное учреждение высшего образования «Брянский государственный технический университет»
Федеральное государственное бюджетное учреждение «Национальный медицинский исследовательский центр имени В. А. Алмазова» Министерства здравоохранения Российской Федерации
Федеральное государственное бюджетное образовательное учреждение высшего образования "Воронежский государственный технический университет"
Федеральное государственное бюджетное образовательное учреждение высшего образования «Саратовская государственная юридическая академия»
Федеральное государственное бюджетное образовательное учреждение высшего образования «Тамбовский государственный технический университет» (ФГБОУ ВО «ТГТУ»)
Федеральное государственное бюджетное образовательное учреждение высшего образования «Брянский государственный технический университет»
Федеральное государственное бюджетное учреждение «Национальный медицинский исследовательский центр имени В. А. Алмазова» Министерства здравоохранения Российской Федерации
Федеральное государственное бюджетное образовательное учреждение высшего образования "Воронежский государственный технический университет"
Федеральное государственное бюджетное образовательное учреждение высшего образования «Саратовская государственная юридическая академия»
Федеральное государственное бюджетное образовательное учреждение высшего образования «Тамбовский государственный технический университет» (ФГБОУ ВО «ТГТУ»)
Преимущества
Бесплатно
Возможность получения дополнительного образования в сфере информационных технологий
Онлайн
Синхронные вечерние занятия с использованием технологий дистанционного обучения
* выпускники Цифровой кафедры получат привилегии при поступлении в магистратуру и аспирантуру НИЯУ МИФИ
Профессия
Возможность выбрать для себя востребованную профессию на рынке ИТ-сферы
Второй диплом
Выпуститься из университета* и получить +1 диплом - изи
освоишь основы программирования на Python
На нашей программе ты
изучишь основы математической статистики и основы машинного обучения
Технологии, которые ты изучишь
Python, Machine learning, Numpy, PyCharm, Jupyter Notebook, Google Colab, kaggle
познакомишься с основными алгоритмы ML и научишься применять их на практике
познакомишься с основами глубокого обучения, нейронных сетей и научишься применять их на практике
Востребованность на рынке
зарплата для junior
70к-130к
зарплата для middle
140к-200к
зарплата для senior
250к+
2 245
вакансий Machine learning
hh.ru на июль 2024 г.
Специалисты направления востребованы в различных отраслях
➤ IT (Яндекс, Mail и др.)
➤ Транспортные службы(СДЭК, DPD и др.)
➤ Маркетплейсы (Wildberries, Ozon и др.)
➤ Банки (Сбер, Газпром и др.)
Содержание программы
Анализ данных в Python
1. Основы языка программирования Python
Установка Python. Знакомство с языком программирования Python. Работа с типами данных. Пакеты и библиотеки. Синтаксис языка. Функции. Классы и объекты. Написание первой программы.
2. Базовые библиотеки языка Python для анализа данных
Модуль NumPy. Основы работы с многомерными массивами и матрицами, изучение математических функций для операций с этими массивами (начиная с базовых функций и заканчивая линейной алгеброй). Модуль Pandas. Основы работы с табличными данными в формате .csv и .xlsx, структурами данных Series и DataFrame. Основные функции и методы работы с DataFrame и Series. В рамках темы предусмотрены соревнования на платформе Яндекс. Контест для закрепления знаний и тренировки.
3. Элементы теории вероятности и математической статистики
Случайное событие. Вероятность. Распределения вероятностей. Математическое ожидание. Дисперсия. Корреляция. Распределения. Точечные оценки. Ошибки первого и второго рода. Доверительные интервалы. Статистические гипотезы. Условная вероятность. Независимые события. Формула Байеса. Доверительный интервал. Основные методы библиотеки SciPy.
4. Визуализация данных в Python
Модули Matplolib и Seaborn. Изучение основных видов двумерной и трехмерной визуализации и основных видов графики, основы EDA (exploratory data analysis).
5. Основы предварительной обработки данных
Работа с пропущенными значениями, стратегии обработки пропусков. Кодирование категориальных признаков. Масштабирование признаков (Нормализация и стандартизация данных) и его влияние на модели. Обработка выбросов. Преобразование данных для улучшения их структуры: логарифмическое, степенное преобразование. Выбор и создание новых признаков, их влияние на качество модели. Feature engineering.
Установка Python. Знакомство с языком программирования Python. Работа с типами данных. Пакеты и библиотеки. Синтаксис языка. Функции. Классы и объекты. Написание первой программы.
2. Базовые библиотеки языка Python для анализа данных
Модуль NumPy. Основы работы с многомерными массивами и матрицами, изучение математических функций для операций с этими массивами (начиная с базовых функций и заканчивая линейной алгеброй). Модуль Pandas. Основы работы с табличными данными в формате .csv и .xlsx, структурами данных Series и DataFrame. Основные функции и методы работы с DataFrame и Series. В рамках темы предусмотрены соревнования на платформе Яндекс. Контест для закрепления знаний и тренировки.
3. Элементы теории вероятности и математической статистики
Случайное событие. Вероятность. Распределения вероятностей. Математическое ожидание. Дисперсия. Корреляция. Распределения. Точечные оценки. Ошибки первого и второго рода. Доверительные интервалы. Статистические гипотезы. Условная вероятность. Независимые события. Формула Байеса. Доверительный интервал. Основные методы библиотеки SciPy.
4. Визуализация данных в Python
Модули Matplolib и Seaborn. Изучение основных видов двумерной и трехмерной визуализации и основных видов графики, основы EDA (exploratory data analysis).
5. Основы предварительной обработки данных
Работа с пропущенными значениями, стратегии обработки пропусков. Кодирование категориальных признаков. Масштабирование признаков (Нормализация и стандартизация данных) и его влияние на модели. Обработка выбросов. Преобразование данных для улучшения их структуры: логарифмическое, степенное преобразование. Выбор и создание новых признаков, их влияние на качество модели. Feature engineering.
Основы машинного обучения
1. Основные парадигмы машинного обучения
История становления и развития искусственного интеллекта и машинного обучения. Виды машинного обучения (с учителем, без учителя, обучение с подкреплением) и основные типы задач машинного обучения (классификация, регрессия, кластеризация). Примеры прикладных задач.
2. Обучение с учителем: основные принципы
Библиотека scikit-learn, основные концепции и компоненты, создание и обучение моделей, выбор и подготовка данных, разбиение данных на обучающую и тестовую выборки (отложенная выборка и кросс-валидация). Примеры прикладных задач.
3. Регрессионные модели
Примеры регрессионных моделей. Постановка задачи обучения регрессионной модели. Математические основы задач регресии. Библиотека scikit-learn. Базовые модели для задач регрессии (Linear Regression, Ridge, Lasso) Оценка моделей, метрики оценки качества (MSE, MAE, MAPE, R2.)
4. Задачи классификации
Постановка задачи классификации. Бинарная и многоклассовая классификация. Математические основы задач классификации. Библиотека scikit-learn. Базовая модель для задачи бинарной классификации (логистическая регрессия): преимущества и недостатки. Модели для многоклассовой классификации (Метод K-ближайших соседей (K-Nearest Neighbour)). Оценка точности классификатора. Матрица ошибок, метрики оценки качества (Accuracy, Precision, Recall, ROC AUC и PR AUC). Балансировка классов. Основные методы балансировки классов в несбалансированной выборке. Важность балансировки, изучение инструментов и алгоритмов библиотеки imblearn для балансировки классов.
История становления и развития искусственного интеллекта и машинного обучения. Виды машинного обучения (с учителем, без учителя, обучение с подкреплением) и основные типы задач машинного обучения (классификация, регрессия, кластеризация). Примеры прикладных задач.
2. Обучение с учителем: основные принципы
Библиотека scikit-learn, основные концепции и компоненты, создание и обучение моделей, выбор и подготовка данных, разбиение данных на обучающую и тестовую выборки (отложенная выборка и кросс-валидация). Примеры прикладных задач.
3. Регрессионные модели
Примеры регрессионных моделей. Постановка задачи обучения регрессионной модели. Математические основы задач регресии. Библиотека scikit-learn. Базовые модели для задач регрессии (Linear Regression, Ridge, Lasso) Оценка моделей, метрики оценки качества (MSE, MAE, MAPE, R2.)
4. Задачи классификации
Постановка задачи классификации. Бинарная и многоклассовая классификация. Математические основы задач классификации. Библиотека scikit-learn. Базовая модель для задачи бинарной классификации (логистическая регрессия): преимущества и недостатки. Модели для многоклассовой классификации (Метод K-ближайших соседей (K-Nearest Neighbour)). Оценка точности классификатора. Матрица ошибок, метрики оценки качества (Accuracy, Precision, Recall, ROC AUC и PR AUC). Балансировка классов. Основные методы балансировки классов в несбалансированной выборке. Важность балансировки, изучение инструментов и алгоритмов библиотеки imblearn для балансировки классов.
Машинное обучение
1. Машинное обучение с учителем.
Продолжение изучения алгоритмов машинного обучения с учителем и их математические основы (деревья решений, метод опорных векторов). Ансамблевые методы. Подходы к обучению ансамблей: бэггинг, бустинг, стеккинг. Бутстреппинг выборки. Бэггинг деревьев решений.
2. Машинное обучение без учителя
Примеры практических задач. Постановка задачи сокращения размерности данных. Подходы к сокращению размерности. Метод главных компонентов. Кластерный анализ данных. Математические основы кластерного анализа. Виды кластерного анализа. Общая схема решения задачи кластеризации. Метод K-средних, иерархическая кластеризация, алгоритм DBSCAN.
Продолжение изучения алгоритмов машинного обучения с учителем и их математические основы (деревья решений, метод опорных векторов). Ансамблевые методы. Подходы к обучению ансамблей: бэггинг, бустинг, стеккинг. Бутстреппинг выборки. Бэггинг деревьев решений.
2. Машинное обучение без учителя
Примеры практических задач. Постановка задачи сокращения размерности данных. Подходы к сокращению размерности. Метод главных компонентов. Кластерный анализ данных. Математические основы кластерного анализа. Виды кластерного анализа. Общая схема решения задачи кластеризации. Метод K-средних, иерархическая кластеризация, алгоритм DBSCAN.
Нейронные сети
1. Основы нейронных сетей
Математические основы глубокого обучения. Градиентный спуск, функции потерь, функции оптимизации, математические основы нейрона. Создание собственной первой нейронной сети. Изучение различных архитектур нейронных сетей, а также методов обучения и оптимизации. Изучение и применение библиотек глубокого изучение TensorFlow и PyTorch.
2. Применение методов машинного обучения и нейронных сетей в задачах обработки изображений и текстов
Основы работы с изображениями (библиотеки openCV, pillow), предварительная обработка изображений. Аугментация данных. Основы работы с текстом. Задачи обработки естественного языка (natural language processing, NLP). Общая архитектура NLP-системы. Уровни обработки естественного языка. Изучение и реализация различных архитектур нейронных сетей для решения прикладных задач (сверточные, рекурентные, Генеративно-состязательные, трансформеры).
Математические основы глубокого обучения. Градиентный спуск, функции потерь, функции оптимизации, математические основы нейрона. Создание собственной первой нейронной сети. Изучение различных архитектур нейронных сетей, а также методов обучения и оптимизации. Изучение и применение библиотек глубокого изучение TensorFlow и PyTorch.
2. Применение методов машинного обучения и нейронных сетей в задачах обработки изображений и текстов
Основы работы с изображениями (библиотеки openCV, pillow), предварительная обработка изображений. Аугментация данных. Основы работы с текстом. Задачи обработки естественного языка (natural language processing, NLP). Общая архитектура NLP-системы. Уровни обработки естественного языка. Изучение и реализация различных архитектур нейронных сетей для решения прикладных задач (сверточные, рекурентные, Генеративно-состязательные, трансформеры).
Обеспечение безопасности приложений
1. Основные понятия безопасности информационных систем
Раздел содержит в себе описание основных понятий кибербезопасности. Излагаются ключевые характеристики цифровых угроз. Рассматриваются различные виды уязвимостей и угроз. Изучаются меры обеспечения безопасности и механизмы их реализации.
2. Сферы кибербезопасности
В разделе изучаются методы анализа вредоносного программного обеспечения. Приводится алгоритм разработки защищенного приложения. Излагаются особенности промышленной кибербезопасности и типичные уязвимости.
3. Инструменты атакующих. Виды кибератак
Рассматриваются техники и тактики кибератак MITRE ATT&CK, современный ландшафт угроз.
4. Будущее кибербезопасности
Ознакомление с IoT и его особенностями. Рассказывается о кибериммунитете и его роли в эволюции кибербезопасности. Описываются тренды в кибербезопасности и развитии защиты.
Раздел содержит в себе описание основных понятий кибербезопасности. Излагаются ключевые характеристики цифровых угроз. Рассматриваются различные виды уязвимостей и угроз. Изучаются меры обеспечения безопасности и механизмы их реализации.
2. Сферы кибербезопасности
В разделе изучаются методы анализа вредоносного программного обеспечения. Приводится алгоритм разработки защищенного приложения. Излагаются особенности промышленной кибербезопасности и типичные уязвимости.
3. Инструменты атакующих. Виды кибератак
Рассматриваются техники и тактики кибератак MITRE ATT&CK, современный ландшафт угроз.
4. Будущее кибербезопасности
Ознакомление с IoT и его особенностями. Рассказывается о кибериммунитете и его роли в эволюции кибербезопасности. Описываются тренды в кибербезопасности и развитии защиты.
Практика, подготовка к защите и защита итогового проекта
Практика, подготовка к защите и защита итогового проекта. В рамках модуля обучающиеся проходят практику на базе индустриального партнера, развивая навыки, полученные в предыдущих модулях, готовят и представляют к защите итоговый проект.
Таймлайн
до 13 сентября
Подача заявок
Выбери программу и подай заявку на обучение на платформе reg-digital.mephi.ru. Чтобы записаться на курс, нужно авторизоваться на платформе со своей учётной записью студента НИЯУ МИФИ или зарегистрироваться. После входа выбери курс, на котором хочешь обучаться и подай на него подписанное заявление на зачисление.
Обучение возможно только на ОДНОМ КУРСЕ
Обучение возможно только на ОДНОМ КУРСЕ
до 20 сентября
Зачисление
На твою электронную почту придёт подтверждение о зачислении на курс. Убедись, что в твоём профиле платформы указан актуальный адрес электронной почты.
20 сентября
Входное тестирование
Во время всего обучения осуществляется независимая оценка качества образовательных программ (входное/промежуточное/итоговое тестирование), которая является обязательной.
сентябрь 2024 - август 2025
Обучение
Весь процесс обучения занимает около 12 месяцев — ты будешь смотреть видеолекции, вебинары, выполнять задания и проходить промежуточные тестирования. Важно придерживаться графика курса, тогда равномерно распределённая нагрузка займёт около 2-6 часов в неделю.
️️Обучение на Цифровой кафедре легко совмещать с основным образованием — ты сам выстраиваешь удобный для себя график обучения.
️️Обучение на Цифровой кафедре легко совмещать с основным образованием — ты сам выстраиваешь удобный для себя график обучения.
до 30 августа 2025
Выходное тестирование и Демонстрационный экзамен
По итогам обучения на курсе каждый студент показывает свой уровень знаний и навыков на дэмоэкзамене . В конце курса проводится итоговое тестирование — мы проверяем, насколько хорошо нам удалось развить цифровые компетенции студентов.
до 30 сентября 2025
Получение диплома
Получи диплом НИЯУ МИФИ о профессиональной переподготовке в ИТ вместе с основным дипломом.
Наши партнеры
Крупнейшая FinTech компания. Банк для умных и свободных — более 40 тысяч сотрудников, которые создают цифровые сервисы и заботятся о клиентах.
О компании
Проводят серии лекций и практикумы по анализу данных и ML, веб-разработке и менеджменту. Alfa Students: предоставляют места под практики и стажировки, а также поддерживают студенческие проекты.
Участие в ЦК
Центр транспортного планирования и проектирования всего Транспортного комплекса Москвы, создают инновационные транспортные решения для города.
О компании
Разрабатывает кейсы для хакатонов, в рамках митапов проводит лекции о беспилотном строении и архитектуре управления. Предлагают точечные стажировки и практики для студентов.
Участие в ЦК
Один из крупнейших в России центров искусственного интеллекта, который развивает ИИ-технологии, проводит исследования, инвестирует в перспективные компании и разработки.
О компании
Проводят интенсивы и серии лекций по ИИ. Предлагают точечные стажировки для студентов.
Участие в ЦК
Одна из крупнейших в России ecom-компаний. Ozon Tech — это 5 000+ IT-специалистов в сотнях кросс-функциональных команд. Мы создаём продукт, которым пользуются все: родные, друзья, соседи.
О компании
Проводят лекции и курсы по раличным тематикам. Предлагают практики и точечные стажировки для студентов, а также приглашают на мероприятия компании.
Участие в ЦК
Крупнейшая в России облачная платформа автоматизации маркетинга, клиенты — от ДоДо Пиццы и МВидео до ПИК и МИФ.
О компании
Проводят лекции по архитектуре бэкенд приложений, работе программным инженером, гибкие методологии разработки ПО. Рассматривают на стажировки C++, SRE, Data Engineer, Front-end. Для стажеров предоставляют места под практику.
Участие в ЦК
Инженерно-сервисная компания в периметре «Газпром нефти».
О компании
Проводят интенсивы и кейс-чемпионаты по анализу данных и ML. Рассматривают студентов для трудоустройства и на точечные стажировки.
Участие в ЦК
Одна из 13 системно значимых кредитных организаций, включённых Банком России в этот перечень. Банк имеет наивысшие кредитные рейтинги национальных рейтинговых агентств (АКРА, ААА (RU), «Эксперт РА», ruААА).
О компании
Проводят лекции и интенсивы по анализу данных, веб-разработке и управлению IT проектами, а также программированию на С и С++.
Участие в ЦК
Технологическая компания, объединяющая направления разработки и производства вычислительных платформ, СХД, телекоммуникационного и сетевого оборудования, персональных и «умных» устройств, микропроцессорных ядер и fabless-разработку микропроцессоров.
О компании
Проводят лекции, хакатоны и практикумы по анализу данных и программированию на С и С++ Рассматривают студентов на стажировки (Импульс) и для трудоустройства.
Участие в ЦК
Одна из крупнейших FinTech компаний — финансовая экосистема для 40 млн клиентов Развиваем мобильный банк, голосовых роботов, мобильную связь, инвестиции, путешествия, услуги для бизнеса, страхование, развлечения, образование, внутренние сервисы и проекты.
О компании
Проводят интенсивы и лекции по анализу данных, ML, Java-разработке, управлению проектами и графическому и веб-дизайну. Т‑Банк Образование: рассматривают студентов на оплачиваемые стажировки по направлениям аналитики, бэкенд- и фронтенд-разработки, QA, маркетинга и другим
Участие в ЦК
Российская инвестиционная технологическая корпорация.
О компании
Предоставляют для прохождения курсы на пратформе VK Education (базовый Python, алгоритмы и структуры данных, введение в анализ данных и гибкие навыки), а также проводят кейс-чемпионаты. Рассматривают студентов на практики и стажировки, а также приглашают на различные мероприятия.
Участие в ЦК
Один из лидеров российского ИТ-рынка, предоставляет полный спектр ИТ-услуг для реализации масштабных и технически разнообразных проектов.дин из лидеров российского ИТ-рынка, предоставляет полный спектр ИТ-услуг для реализации масштабных и технически разнообразных проектов.
О компании
Проводят лекции и кейс-чемпионаты по анализу данных и java и веб-разработке. Предоставляет места под практики и стажировки: Т1.Дебют, ИТ-лагерь, Открытые школы Т1
Участие в ЦК
Разрабатывают продукты и технологии для онлайн-коммуникации, обучения и совместной работы. Продукты: Встречи, Вебинары, Курсы, Чаты, Доски, COMDI.
О компании
Проводят серии лекций и курсы-спутники по дизайну, анализу данных и управлению IT проектами. Рассматривают студентов на точечные стажировки.
Участие в ЦК
Okko
РЖД Технологии
О компании
О компании
Компания занимается координацией и управлением программы цифровой трансформации ОАО «РЖД» и проектами цифровой трансформации, а также организацией внедрения инновационных технологий.
О компании
Проводят кейс-чемпионаты и серии лекций по анализу данных. Рассматривают студентов на практики и стажировки.
Участие в ЦК
Один из крупнейших российских VoD-сервисов, который ежемесячно используют миллионы пользователей: на смартфонах, Smart TV и компьютерах.
О компании
В рамках кафедры студентам будет доступен курс-спутник по python. Рассматривает студентов старших курсов на точечные стажировки.
Участие в ЦК
Авторы курса
Трофимов Александр
Киреев Василий
Чугунков Илья
Начальник учебного отдела ИИКС НИЯУ МИФИ. Ведущий научный сотрудник ИИКС, доцент, к.т.н. НИЯУ МИФИ.
Ведущий научный сотрудник
института интеллектуальных кибернетических систем НИЯУ МИФИ, доцент, к.т.н. НИЯУ МИФИ.
института интеллектуальных кибернетических систем НИЯУ МИФИ, доцент, к.т.н. НИЯУ МИФИ.
Научный сотрудник
исследовательского центра в сфере искусственного интеллекта по направлению «Транспорт и логистика» НИЯУ МИФИ (ИЦИНТ), доцент, к.т.н. НИЯУ МИФИ.
исследовательского центра в сфере искусственного интеллекта по направлению «Транспорт и логистика» НИЯУ МИФИ (ИЦИНТ), доцент, к.т.н. НИЯУ МИФИ.
Комаров Тимофей
Хасанова Аделя
Начальник отдела развития студенческого самоуправления дирекции развития студенческих объединений департамента по молодежной политике. Выпускник аспирантуры НИЯУ МИФИ. Специалист по машинному обучению
Ведущий программист, ООО «Ксайрикс», доцент кафедры компьютерных систем и технологий НИЯУ МИФИ.
Егоров Алексей
Ассистент института лазерных и плазменных технологий НИЯУ МИФИ. Заместитель директора студенческого офиса
Остались вопросы по курсу?
Напиши нам в телеграм-бот — мы ответим на все интересующие тебя вопросы в течение рабочего дня
