Войти
Программа 2025 года — будете осваивать актуальные технологии
Учим на практике — знания можно сразу применять в работе
Преподаватели — действующие специалисты, а не теоретики
Программа 2025 года
Некоторые предметы можно перезачесть
Диплом НИЯУ МИФИ: 01.04.02 «Прикладная математика и информатика»
Диплом о профпереподготовке от Яндекса
Специализация
ML-инженер
Будете заниматься разработкой и внедрением моделей машинного обучения, чтобы улучшать бизнес‑процессы, автоматизировать рутинные задачи и повышать эффективность работы компаний.
Специализация
CV-инженер
Станете инженером компьютерного зрения, который создаёт решения по распознаванию и определению объектов на изображениях и в видеопотоке.
Специализация
NLP-инженер
Сможете работать в роли NLP‑инженера, занимающегося созданием алгоритмов по извлечению ценной информации из текстов, автоматическому переводу и определению принадлежности текста к той или иной теме.
Специализация
Data-инженер
Будете создавать решения для обработки, хранения и поставки данных. Научитесь работать с данными в хранилище и автоматизировать их подготовку. Узнаете принципы проверки качества входных данных.
Специализация
ML-инженер
Будете заниматься разработкой и внедрением моделей машинного обучения, чтобы улучшать бизнес‑процессы, автоматизировать рутинные задачи и повышать эффективность работы компаний.
В конце обучения получите диплом НИЯУ МИФИ: 01. 04.02 «Прикладная математика и информатика» и диплом о профпереподготовке от Яндекса.
Семестр 1. Основы работы с данными
4 месяца,
~25 часов в неделю
Научитесь писать код на Python и работать с данными. Освоите алгоритмы машинного обучения с учителем, а также работу с базами данных через SQL
Программирование на Python
Научитесь программировать на Python, освоите ключевые структуры данных, принципы ООП и обработку исключений. Поймёте, как писать чистый и эффективный код, работать с ключевыми библиотеками для анализа данных. Разберётесь в основах тестирования и инструментах контроля версий.
Машинное обучение с учителем
Познакомитесь с библиотекой Scikit-learn и циклом создания модели машинного обучения. Узнаете, как подготовить данные для машинного обучения и проверить работу модели. Освоите линейные и нелинейные модели. Научитесь решать задачи регрессии и классификации. Освоите новые метрики качества модели и подходы для их улучшения. Изучите основы линейной алгебры.
Теория вероятностей
Познакомитесь с основами теории вероятностей и их применением в анализе данных. Изучите законы распределения случайных величин, методы оценки вероятностей и основные теоремы. Узнаете, как работать с дискретными и непрерывными распределениями, вычислять математическое ожидание, дисперсию и ковариацию. Разберётесь в методах байесовского анализа, законах больших чисел и центральной предельной теореме.
Математическая статистика
Познакомитесь с основами математической статистики и методами проверки гипотез. Научитесь работать с основными распределениями, рассчитывать доверительные интервалы и анализировать дисперсию. Освоите методы оценки параметров и проверки статистических зависимостей. Разберётесь в ключевых подходах к анализу данных, чтобы применять их в задачах машинного обучения и инженерии данных.
BI и методы визуализации данных
Познакомитесь с принципами бизнес‑аналитики и научитесь превращать данные в ценные бизнес-решения. Освоите методы сбора, обработки и визуализации данных. Изучите основные метрики, показатели эффективности и способы их интерпретации. Будете работать с инструментами BI, строить дашборды и автоматизировать отчётность.
А/В‑тестирование
В модуле вы закрепите полученные знания и освоите навыки подготовки и проведения A/B‑тестирования. Разберётесь, как найти баланс между получением полезных результатов и затраченными ресурсами. Узнаете, как корректно использовать A/B‑тестирование при принятии решений.
Предподготовка и анализ данных
Научитесь очищать данные от выбросов, пропусков и дубликатов, а также преобразовывать разные форматы данных.
Базы данных и язык SQL
Разберётесь, что такое база данных, и научитесь писать сложные запросы к ней. Поймёте, как считать ключевые бизнес‑метрики через SQL‑запросы и подключаться к базам данных из Python.
Семестр 2. Изучение Data Science
4 месяца,
~25 часов в неделю
Освоите алгоритмы и структуры данных. Познакомитесь с принципами работы Unix‑систем, изучите методы машинного обучения без учителя. Примените знания на практике и улучшите навыки командной работы
Алгоритмы и структуры данных
Познакомитесь с принципами применения алгоритмов для решения различных задач. Научитесь находить и реализовывать альтернативные способы решения, оценивать их эффективность. Разберётесь в ключевых структурах данных и освоите их применение для оптимального решения конкретных задач.
Машинное обучение без учителя
Научитесь применять машинное обучение для наборов данных, не имеющих явного признака для предсказания. Освоите практики, позволяющие кластеризовать данные, уменьшать их размерность и находить аномалии.
Принципы разработки на Python
Познакомитесь с принципами разработки промышленного программного обеспечения. Научитесь проектировать будущие программы, работать с системами контроля версий и управлять зависимостями. Освоите практики тестирования, отладки и развёртывания.
Операционные системы семейства Unix
Познакомитесь с основами операционных систем семейства Unix и их архитектурой. Научитесь работать с файловой системой, управлять процессами и ресурсами. Освоите базовые команды Shell, автоматизацию задач с помощью Bash‑скриптов, а также разберётесь в механизмах многозадачности, сетевого взаимодействия и безопасности. Научитесь настраивать окружение, управлять пользователями и анализировать работу системы.
Прогнозирование временных рядов
Временные ряды описывают, как параметры, например объём потребления электроэнергии или количество заказов такси, меняются с течением времени. Вы научитесь анализировать ряды, искать тренды и выявлять сезонность. Узнаете, как создавать табличные данные и задачу регрессии из временных рядов.
Софтскилы: навыки коммуникации и представления данных
Научитесь ясно и убедительно доносить техническую информацию до разных аудиторий. Освоите сторителлинг в Data Science и эффективную визуализацию данных. Научитесь выстраивать структуру презентации, подбирать подходящие графики и уверенно отвечать на вопросы. Разовьёте навыки командной коммуникации и объяснения ML‑моделей как техническим, так и бизнес-специалистам.
Учебная практика
Программа дисциплины поможет углубить и применить на практике усвоенные теоретические знания. Вы получите опыт работы с реальными данными от заказчиков. Сможете развить навыки организации процесса и самостоятельного принятия решений. Соберёте кейсы для портфолио и защитите свой проект.
Семестр 3. Погружение в ML
4 месяца,
~25 часов в неделю
Научитесь строить полный цикл работы с моделью — от подготовки данных и улучшения их качества до вывода в прод. Освоите практики MLOps, создание рекомендательных систем и подходы к uplift‑моделированию для оценки влияния ML‑решений
Разработка пайплайнов подготовки данных и обучения модели
Научитесь подготавливать и трансформировать данные. Сможете найти и устранить ошибки в данных. Создадите модель и настроите DVC‑пайплайн её обучения.
Принципы и практики для улучшения базовой модели
Добавите новые признаки в данные. Будете версионировать запуски и считать метрики. Определите, где модель работает неправильно. Подберёте параметры модели, используя библиотеку Optuna.
Uplift‑моделирование
Сможете объяснить внутренние принципы работы uplift‑модели и самостоятельно её построить. Научитесь улучшать перформанс модели через эксперименты. Подготовите uplift‑модель к релизу в продакшн.
Вывод модели машинного обучения в производственную среду
Поймёте, как устроен процесс релиза модели в продакшн. Создадите микросервис с помощью FAST API для релиза модели в продакшн. Научитесь контейнеризировать микросервис с моделью с помощью Docker.
Практический MLOps
Познакомитесь с принципами MLOps и основными этапами жизненного цикла моделей машинного обучения. Научитесь автоматизировать развёртывание, мониторинг и обновление моделей. Освоите инструменты CI/CD, контейнеризацию и оркестрацию. Разберётесь в методах управления данными, версионирования и масштабирования ML-систем.
Рекомендательные системы
Узнаете принципы коллаборативной фильтрации и контентных рекомендаций. Научитесь применять базовые модели для получения рекомендаций и проведёте валидацию и оценку их качеств. Будете использовать бустинг для улучшения рекомендаций и разберётесь в типовой архитектуре рекомендательной системы.
Сотфскилы: гибкие методологии
Научитесь применять гибкие методологии разработки для эффективной командной работы. Освоите принципы Agile, Scrum и Kanban, разберётесь в ролях и задачах участников команды. Поймёте, как выстраивать процессы, управлять задачами, поддерживать рабочие нормы и оценивать продуктивность. Научитесь адаптировать стиль управления под команду и разберёте реальные кейсы организации разработки.
Производственная практика в формате хакатона
Программа дисциплины поможет углубить и применить на практике усвоенные теоретические знания. Получите опыт работы с реальными данными от заказчиков. Сможете развить навыки организации процесса и самостоятельного принятия решений. Соберёте кейсы для портфолио и защитите свой проект.
Семестр 4. Преддипломная практика. Подготовка и защита ВКР
4 месяца,
~25 часов в неделю
Получите диплом о высшем образовании с присвоением степени магистра
Преддипломная практика
Сможете значительно расширить свои знания в выбранной области, а также систематизировать и собрать необходимый теоретический и практический материал для подготовки и написания выпускной квалификационной работы.
Производственная практика
Используете свои знания и навыки в реальной работе, выполняя практические задачи, улучшая рабочие процессы и повышая свою профессиональную эффективность. Это поможет вам лучше понимать свою сферу деятельности и успешно применять изученные методы на практике.
Защита выпускной квалификационной работы
Презентуете ВКР перед государственной экзаменационной комиссией. Во время защиты подробно расскажете о цели, задачах, методах исследования и сделанных выводах, а также ответите на вопросы членов комиссии, демонстрируя свои знания и профессиональную компетентность.
Специализация
CV-инженер
Сможете работать CV-инженером, который создаёт системы для распознавания, обработки и анализа изображений и видео.
В конце обучения получите диплом НИЯУ МИФИ: 01.04.02 «Прикладная математика и информатика» и диплом о профпереподготовке от Яндекса.
Семестр 1. Основы работы с данными
4 месяца,
~25 часов в неделю
Научитесь писать код на Python и работать с данными. Освоите алгоритмы машинного обучения с учителем, а также работу с базами данных через SQL
Программирование на Python
Научитесь программировать на Python, освоите ключевые структуры данных, принципы ООП и обработку исключений. Поймёте, как писать чистый и эффективный код, работать с ключевыми библиотеками для анализа данных. Разберётесь в основах тестирования и инструментах контроля версий.
Машинное обучение с учителем
Познакомитесь с библиотекой Scikit-learn и циклом создания модели машинного обучения. Узнаете, как подготовить данные для машинного обучения и проверить работу модели. Освоите линейные и нелинейные модели. Научитесь решать задачи регрессии и классификации. Освоите новые метрики качества модели и подходы для их улучшения. Изучите основы линейной алгебры.
Теория вероятностей
Познакомитесь с основами теории вероятностей и их применением в анализе данных. Изучите законы распределения случайных величин, методы оценки вероятностей и основные теоремы. Узнаете, как работать с дискретными и непрерывными распределениями, вычислять математическое ожидание, дисперсию и ковариацию. Разберётесь в методах байесовского анализа, законах больших чисел и центральной предельной теореме.
Математическая статистика
Познакомитесь с основами математической статистики и методами проверки гипотез. Научитесь работать с основными распределениями, рассчитывать доверительные интервалы и анализировать дисперсию. Освоите методы оценки параметров и проверки статистических зависимостей. Разберётесь в ключевых подходах к анализу данных, чтобы применять их в задачах машинного обучения и инженерии данных.
BI и методы визуализации данных
Познакомитесь с принципами бизнес‑аналитики и научитесь превращать данные в ценные бизнес-решения. Освоите методы сбора, обработки и визуализации данных. Изучите основные метрики, показатели эффективности и способы их интерпретации. Будете работать с инструментами BI, строить дашборды и автоматизировать отчётность.
А/В‑тестирование
В модуле вы закрепите полученные знания и освоите навыки подготовки и проведения A/B‑тестирования. Разберётесь, как найти баланс между получением полезных результатов и затраченными ресурсами. Узнаете, как корректно использовать A/B‑тестирование при принятии решений.
Предподготовка и анализ данных
Научитесь очищать данные от выбросов, пропусков и дубликатов, а также преобразовывать разные форматы данных.
Базы данных и язык SQL
Разберётесь, что такое база данных, и научитесь писать сложные запросы к ней. Поймёте, как считать ключевые бизнес‑метрики через SQL‑запросы и подключаться к базам данных из Python.
Семестр 2. Изучение Data Science
4 месяца,
~25 часов в неделю
Освоите алгоритмы и структуры данных. Познакомитесь с принципами работы Unix‑систем, изучите методы машинного обучения без учителя. Примените знания на практике и улучшите навыки командной работы
Алгоритмы и структуры данных
Познакомитесь с принципами применения алгоритмов для решения различных задач. Научитесь находить и реализовывать альтернативные способы решения, оценивать их эффективность. Разберётесь в ключевых структурах данных и освоите их применение для оптимального решения конкретных задач.
Машинное обучение без учителя
Научитесь применять машинное обучение для наборов данных, не имеющих явного признака для предсказания. Освоите практики, позволяющие кластеризовать данные, уменьшать их размерность и находить аномалии.
Принципы разработки на Python
Познакомитесь с принципами разработки промышленного программного обеспечения. Научитесь проектировать будущие программы, работать с системами контроля версий и управлять зависимостями. Освоите практики тестирования, отладки и развёртывания.
Операционные системы семейства Unix
Познакомитесь с основами операционных систем семейства Unix и их архитектурой. Научитесь работать с файловой системой, управлять процессами и ресурсами. Освоите базовые команды Shell, автоматизацию задач с помощью Bash‑скриптов, а также разберётесь в механизмах многозадачности, сетевого взаимодействия и безопасности. Научитесь настраивать окружение, управлять пользователями и анализировать работу системы.
Прогнозирование временных рядов
Временные ряды описывают, как параметры, например объём потребления электроэнергии или количество заказов такси, меняются с течением времени. Вы научитесь анализировать ряды, искать тренды и выявлять сезонность. Узнаете, как создавать табличные данные и задачу регрессии из временных рядов.
Софтскилы: навыки коммуникации и представления данных
Научитесь ясно и убедительно доносить техническую информацию до разных аудиторий. Освоите сторителлинг в Data Science и эффективную визуализацию данных. Научитесь выстраивать структуру презентации, подбирать подходящие графики и уверенно отвечать на вопросы. Разовьёте навыки командной коммуникации и объяснения ML‑моделей как техническим, так и бизнес-специалистам.
Учебная практика
Программа дисциплины поможет углубить и применить на практике усвоенные теоретические знания. Вы получите опыт работы с реальными данными от заказчиков. Сможете развить навыки организации процесса и самостоятельного принятия решений. Соберёте кейсы для портфолио и защитите свой проект.
Семестр 3. Погружение в CV
4 месяца,
~25 часов в неделю
Научитесь решать задачи компьютерного зрения. Освоите конволюционные сети, задачи детекции и сегментации объектов, работу с видеопотоком и генеративные модели. Познакомитесь с гибкими методологиями разработки и примените знания на практике
Работа с изображениями и текстами
Поймёте принципы работы с текстовыми и медиаданными (изображения, видео). Разбёрете, чем их предобработка отличается от табличных данных. Познакомитесь с задачами, которые решаются в областях NLP и CV, и изучите базовые подходы к их решению.
Конволюционные нейронные сети
Познакомитесь с основами конволюционных нейронных сетей (CNN) и их современными архитектурами. Научитесь применять CNN для разного рода задач. Освоите методы увеличения данных (data augmentation). Проведёте дообучение и валидацию актуальных свёрточных архитектур, таких как EfficientNet.
Задача детекции компьютерного зрения
Познакомитесь с основами задачи детекции в компьютерном зрении и её ключевыми методами. Научитесь использовать свёрточные нейросети и современные архитектуры, такие как YOLO и Faster R‑CNN. Проведёте обучение моделей на размеченных данных, освоите техники аугментации и методы повышения точности детекции. Разберётесь в процессах валидации, оценки качества и оптимизации производительности детекторов.
Задача сегментации компьютерного зрения
Познакомитесь с основными методами сегментации изображений, включая классические алгоритмы и современные нейросетевые подходы. Научитесь применять свёрточные нейросети и трансформеры для сегментации, а также проводить валидацию и оценку качества предсказаний. Разберётесь в архитектурах популярных моделей, таких как U‑Net, DeepLab и Mask R‑CNN, и научитесь адаптировать их к различным задачам компьютерного зрения.
Работа с видеопотоком
Познакомитесь с основами обработки видеопотока и ключевыми алгоритмами компьютерного зрения для работы с видео. Научитесь извлекать и анализировать кадры, детектировать и отслеживать объекты, а также применять методы оптического потока. Освоите свёрточные нейросети и трансформеры для анализа видео, разберётесь в принципах кодирования и потоковой обработки. Реализуете свой первый проект по анализу видеопотока в реальном времени.
Генеративные модели машинного обучения
Познакомитесь с ключевыми архитектурами генеративных моделей, таких как GAN. Поймёте принципы создания и обучения моделей для генерации реалистичных изображений, стилизации и улучшения качества картинок. Освоите методы оценки качества сгенерированных изображений и разберётесь в применении генеративных моделей в различных задачах, от художественного рендеринга до повышения разрешения.
Софтскилы: гибкие методологии
Научитесь применять гибкие методологии разработки для эффективной командной работы. Освоите принципы Agile, Scrum и Kanban, разберётесь в ролях и задачах участников команды. Поймёте, как выстраивать процессы, управлять задачами, поддерживать рабочие нормы и оценивать продуктивность. Научитесь адаптировать стиль управления под команду и разберёте реальные кейсы организации разработки.
Производственная практика в формате хакатона
Программа дисциплины поможет углубить и применить на практике усвоенные теоретические знания. Получите опыт работы с реальными данными от заказчиков. Сможете развить навыки организации процесса и самостоятельного принятия решений. Соберёте кейсы для портфолио и защитите свой проект.
Семестр 4. Преддипломная практика. Подготовка и защита ВКР
4 месяца,
~25 часов в неделю
Получите диплом о высшем образовании с присвоением степени магистра
Преддипломная практика
Сможете значительно расширить свои знания в выбранной области, а также систематизировать и собрать необходимый теоретический и практический материал для подготовки и написания выпускной квалификационной работы.
Производственная практика
Используете свои знания и навыки в реальной работе, выполняя практические задачи, улучшая рабочие процессы и повышая свою профессиональную эффективность. Это поможет вам лучше понимать свою сферу деятельности и успешно применять изученные методы на практике.
Защита выпускной квалификационной работы
Презентуете ВКР перед государственной экзаменационной комиссией. Во время защиты подробно расскажете о цели, задачах, методах исследования и сделанных выводах, а также ответите на вопросы членов комиссии, демонстрируя свои знания и профессиональную компетентность.
Специализация
NLP-инженер
Сможете работать NLP‑инженером, который занимается моделями обработки естественного языка.
В конце обучения получите диплом НИЯУ МИФИ: 01.04 02 «Прикладная математика и информатика» и диплом о профпереподготовке от Яндекса.
Семестр 1. Основы работы с данными
4 месяца,
~25 часов в неделю
Научитесь писать код на Python и работать с данными. Освоите алгоритмы машинного обучения с учителем, а также работу с базами данных через SQL
Программирование на Python
Научитесь программировать на Python, освоите ключевые структуры данных, принципы ООП и обработку исключений. Поймёте, как писать чистый и эффективный код, работать с ключевыми библиотеками для анализа данных. Разберётесь в основах тестирования и инструментах контроля версий.
Машинное обучение с учителем
Познакомитесь с библиотекой Scikit-learn и циклом создания модели машинного обучения. Узнаете, как подготовить данные для машинного обучения и проверить работу модели. Освоите линейные и нелинейные модели. Научитесь решать задачи регрессии и классификации. Освоите новые метрики качества модели и подходы для их улучшения. Изучите основы линейной алгебры.
Теория вероятностей
Познакомитесь с основами теории вероятностей и их применением в анализе данных. Изучите законы распределения случайных величин, методы оценки вероятностей и основные теоремы. Узнаете, как работать с дискретными и непрерывными распределениями, вычислять математическое ожидание, дисперсию и ковариацию. Разберётесь в методах байесовского анализа, законах больших чисел и центральной предельной теореме.
Математическая статистика
Познакомитесь с основами математической статистики и методами проверки гипотез. Научитесь работать с основными распределениями, рассчитывать доверительные интервалы и анализировать дисперсию. Освоите методы оценки параметров и проверки статистических зависимостей. Разберётесь в ключевых подходах к анализу данных, чтобы применять их в задачах машинного обучения и инженерии данных.
BI и методы визуализации данных
Познакомитесь с принципами бизнес‑аналитики и научитесь превращать данные в ценные бизнес-решения. Освоите методы сбора, обработки и визуализации данных. Изучите основные метрики, показатели эффективности и способы их интерпретации. Будете работать с инструментами BI, строить дашборды и автоматизировать отчётность.
А/В‑тестирование
В модуле вы закрепите полученные знания и освоите навыки подготовки и проведения A/B‑тестирования. Разберётесь, как найти баланс между получением полезных результатов и затраченными ресурсами. Узнаете, как корректно использовать A/B‑тестирование при принятии решений.
Предподготовка и анализ данных
Научитесь очищать данные от выбросов, пропусков и дубликатов, а также преобразовывать разные форматы данных.
Базы данных и язык SQL
Разберётесь, что такое база данных, и научитесь писать сложные запросы к ней. Поймёте, как считать ключевые бизнес‑метрики через SQL‑запросы и подключаться к базам данных из Python.
Семестр 2. Изучение Data Science
4 месяца,
~25 часов в неделю
Освоите алгоритмы и структуры данных. Познакомитесь с принципами работы Unix‑систем, изучите методы машинного обучения без учителя. Примените знания на практике и улучшите навыки командной работы
Алгоритмы и структуры данных
Познакомитесь с принципами применения алгоритмов для решения различных задач. Научитесь находить и реализовывать альтернативные способы решения, оценивать их эффективность. Разберётесь в ключевых структурах данных и освоите их применение для оптимального решения конкретных задач.
Машинное обучение без учителя
Научитесь применять машинное обучение для наборов данных, не имеющих явного признака для предсказания. Освоите практики, позволяющие кластеризовать данные, уменьшать их размерность и находить аномалии.
Принципы разработки на Python
Познакомитесь с принципами разработки промышленного программного обеспечения. Научитесь проектировать будущие программы, работать с системами контроля версий и управлять зависимостями. Освоите практики тестирования, отладки и развёртывания.
Операционные системы семейства Unix
Познакомитесь с основами операционных систем семейства Unix и их архитектурой. Научитесь работать с файловой системой, управлять процессами и ресурсами. Освоите базовые команды Shell, автоматизацию задач с помощью Bash‑скриптов, а также разберётесь в механизмах многозадачности, сетевого взаимодействия и безопасности. Научитесь настраивать окружение, управлять пользователями и анализировать работу системы.
Прогнозирование временных рядов
Временные ряды описывают, как параметры, например объём потребления электроэнергии или количество заказов такси, меняются с течением времени. Вы научитесь анализировать ряды, искать тренды и выявлять сезонность. Узнаете, как создавать табличные данные и задачу регрессии из временных рядов.
Софтскилы: навыки коммуникации и представления данных
Научитесь ясно и убедительно доносить техническую информацию до разных аудиторий. Освоите сторителлинг в Data Science и эффективную визуализацию данных. Научитесь выстраивать структуру презентации, подбирать подходящие графики и уверенно отвечать на вопросы. Разовьёте навыки командной коммуникации и объяснения ML‑моделей как техническим, так и бизнес-специалистам.
Учебная практика
Программа дисциплины поможет углубить и применить на практике усвоенные теоретические знания. Вы получите опыт работы с реальными данными от заказчиков. Сможете развить навыки организации процесса и самостоятельного принятия решений. Соберёте кейсы для портфолио и защитите свой проект.
Семестр 3. Погружение в NLP
4 месяца,
~25 часов в неделю
Научитесь работать с текстами, изображениями и задачей преобразования последовательностей. Освоите архитектуры трансформеров, языковые и генеративные модели для речи и текста. Погрузитесь в гибкие методологии разработки и примените знания на практике
Работа с изображениями и текстами
Поймёте принципы работы с текстовыми и медиаданными (изображения, видео). Разбёрете, чем их предобработка отличается от табличных данных. Познакомитесь с задачами, которые решаются в областях NLP и CV, и изучите базовые подходы к их решению.
Классические и глубинные модели по работе с текстом
Познакомитесь с классическими и глубинными методами обработки текста. Научитесь работать с моделями на основе статистических подходов, векторных представлений слов и нейросетевых архитектур. Освоите различные рекуррентные сети. Проведёте анализ текстов и их классификацию. Разберётесь в принципах работы современных NLP-моделей и их применении в реальных задачах.
Задача преобразования последовательностей
Познакомитесь с основными подходами к моделированию последовательностей в NLP. Научитесь работать с архитектурами моделей для машинного перевода, текстовой суммаризации и генерации. Разберётесь в механизме внимания и обучите модели для обработки последовательностей.
Модели на базе архитектуры трансформер
Познакомитесь с ключевыми принципами архитектуры трансформеров и их применением в задачах обработки естественного языка. Научитесь работать с предобученными моделями, такими как BERT, адаптировать их под конкретные задачи с помощью дообучения.
Большие языковые модели
Познакомитесь с принципами работы больших языковых моделей (LLM) и их архитектурами, такими как GPT. Научитесь дообучать и адаптировать предобученные модели под специфические задачи.
Генеративные модели машинного обучения для речи и текста
Познакомитесь с принципами работы генеративных моделей в обработке естественного языка. Сможете обучать и дообучать трансформеры, создавать текстовые модели для генерации, суммаризации и дополнения текста. Освоите методы оценки качества генерации.
Софтскилы: гибкие методологии
Научитесь применять гибкие методологии разработки для эффективной командной работы. Освоите принципы Agile, Scrum и Kanban, разберётесь в ролях и задачах участников команды. Поймёте, как выстраивать процессы, управлять задачами, поддерживать рабочие нормы и оценивать продуктивность. Научитесь адаптировать стиль управления под команду и разберёте реальные кейсы организации разработки.
Производственная практика в формате хакатона
Программа дисциплины поможет углубить и применить на практике усвоенные теоретические знания. Получите опыт работы с реальными данными от заказчиков. Сможете развить навыки организации процесса и самостоятельного принятия решений. Соберёте кейсы для портфолио и защитите свой проект.
Семестр 4. Преддипломная практика. Подготовка и защита ВКР
4 месяца,
~25 часов в неделю
Получите диплом о высшем образовании с присвоением степени магистра
Преддипломная практика
Сможете значительно расширить свои знания в выбранной области, а также систематизировать и собрать необходимый теоретический и практический материал для подготовки и написания выпускной квалификационной работы.
Производственная практика
Используете свои знания и навыки в реальной работе, выполняя практические задачи, улучшая рабочие процессы и повышая свою профессиональную эффективность. Это поможет вам лучше понимать свою сферу деятельности и успешно применять изученные методы на практике.
Защита выпускной квалификационной работы
Презентуете ВКР перед государственной экзаменационной комиссией. Во время защиты подробно расскажете о цели, задачах, методах исследования и сделанных выводах, а также ответите на вопросы членов комиссии, демонстрируя свои знания и профессиональную компетентность.
Специализация
Data-инженер
Будете создавать решения для обработки, хранения и поставки данных. Научитесь работать с данными в хранилище и автоматизировать их подготовку. Узнаете принципы проверки качества входных данных.
В конце обучения получите диплом направления 01.04.02 «Прикладная математика и информатика».
Семестр 1. Основы работы с данными
4 месяца,
~25 часов в неделю
Научитесь писать код на Python и работать с данными. Освоите алгоритмы машинного обучения с учителем, а также работу с базами данных через SQL
Программирование на Python
Научитесь программировать на Python, освоите ключевые структуры данных, принципы ООП и обработку исключений. Поймёте, как писать чистый и эффективный код, работать с ключевыми библиотеками для анализа данных. Разберётесь в основах тестирования и инструментах контроля версий.
Машинное обучение с учителем
Познакомитесь с библиотекой Scikit-learn и циклом создания модели машинного обучения. Узнаете, как подготовить данные для машинного обучения и проверить работу модели. Освоите линейные и нелинейные модели. Научитесь решать задачи регрессии и классификации. Освоите новые метрики качества модели и подходы для их улучшения. Изучите основы линейной алгебры.
Теория вероятностей
Познакомитесь с основами теории вероятностей и их применением в анализе данных. Изучите законы распределения случайных величин, методы оценки вероятностей и основные теоремы. Узнаете, как работать с дискретными и непрерывными распределениями, вычислять математическое ожидание, дисперсию и ковариацию. Разберётесь в методах байесовского анализа, законах больших чисел и центральной предельной теореме.
Математическая статистика
Познакомитесь с основами математической статистики и методами проверки гипотез. Научитесь работать с основными распределениями, рассчитывать доверительные интервалы и анализировать дисперсию. Освоите методы оценки параметров и проверки статистических зависимостей. Разберётесь в ключевых подходах к анализу данных, чтобы применять их в задачах машинного обучения и инженерии данных.
BI и методы визуализации данных
Познакомитесь с принципами бизнес‑аналитики и научитесь превращать данные в ценные бизнес-решения. Освоите методы сбора, обработки и визуализации данных. Изучите основные метрики, показатели эффективности и способы их интерпретации. Будете работать с инструментами BI, строить дашборды и автоматизировать отчётность.
А/В‑тестирование
В модуле вы закрепите полученные знания и освоите навыки подготовки и проведения A/B‑тестирования. Разберётесь, как найти баланс между получением полезных результатов и затраченными ресурсами. Узнаете, как корректно использовать A/B‑тестирование при принятии решений.
Предподготовка и анализ данных
Научитесь очищать данные от выбросов, пропусков и дубликатов, а также преобразовывать разные форматы данных.
Базы данных и язык SQL
Разберётесь, что такое база данных, и научитесь писать сложные запросы к ней. Поймёте, как считать ключевые бизнес‑метрики через SQL‑запросы и подключаться к базам данных из Python.
Семестр 2. Изучение Data Engineering
4 месяца,
~25 часов в неделю
Освоите ключевые алгоритмы и структуры данных, научитесь работать с SQL. Погрузитесь в основы системного анализа и операционных систем семейства Unix. Закрепите знания в практическом хакатоне, решая реальные задачи из мира бизнеса
Алгоритмы и структуры данных
Познакомитесь с принципами применения алгоритмов для решения различных задач. Научитесь находить и реализовывать альтернативные способы решения, оценивать их эффективность. Разберётесь в ключевых структурах данных и освоите их применение для оптимального решения конкретных задач.
Анализ бизнес-метрик и продвинутый SQL
Познакомитесь с ключевыми бизнес‑метриками и научитесь анализировать их с помощью SQL. Освоите методы расчёта конверсий, когортного и ретеншн-анализа, юнит‑экономики. Разберётесь в сложных SQL‑запросах, включая оконные функции, CTE, подзапросы и агрегированные вычисления.
Операционные системы семейства Unix
Познакомитесь с основами бизнес‑анализа и подходами к решению бизнес‑задач. Научитесь выявлять потребности заинтересованных сторон, формулировать требования и анализировать бизнес‑процессы. Освоите методы сбора и обработки данных, построения моделей процессов и оценки эффективности решений. Разберётесь в инструментах бизнес‑аналитики и научитесь применять их для оптимизации бизнеса и принятия стратегических решений.
Практическая бизнес‑аналитика
Познакомитесь с основами операционных систем семейства Unix и их архитектурой. Научитесь работать с файловой системой, управлять процессами и ресурсами. Освоите базовые команды Shell, автоматизацию задач с помощью Bash‑скриптов, а также разберётесь в механизмах многозадачности, сетевого взаимодействия и безопасности. Научитесь настраивать окружение, управлять пользователями и анализировать работу системы.
Введение в системный анализ
Познакомитесь с принципами системного подхода и научитесь анализировать сложные системы с точки зрения их структуры, функций и взаимодействия компонентов. Освоите методы моделирования систем, выявления их слабых мест и оптимизации процессов. Узнаете, как проектировать архитектуру систем, учитывая технические и функциональные требования. Разберётесь в подходах к интеграции систем, сможете управлять изменениями и обеспечивать их устойчивость. Научитесь применять системное мышление для решения бизнес‑задач.
Навыки коммуникации и представления данных
Научитесь ясно и убедительно доносить техническую информацию до разных аудиторий. Освоите эффективную визуализацию данных и сторителлинг. Научитесь выстраивать структуру презентации, подбирать подходящие графики и уверенно отвечать на вопросы. Разовьёте навыки командной коммуникации и объяснения задач и решений как техническим специалистам, так и менеджерам с заказчиками.
Учебная практика
Программа дисциплины поможет углубить и применить на практике усвоенные теоретические знания. Получите опыт работы с реальными данными от заказчиков. Сможете развить навыки организации процесса и самостоятельного принятия решений. Соберёте кейсы для портфолио и защитите свой проект.
Семестр 3. Углублённый Data Engineering
4 месяца,
~25 часов в неделю
Научитесь работать с данными в хранилище и озере, автоматизировать их подготовку и проверять качество входных потоков. Освоите аналитические базы данных, облачные технологии и основы потоковой обработки. Примените гибкие методологии и закрепите знания на практике
Работа с данными в хранилище
Познакомитесь с основными технологиями, необходимыми для строительства хранилищ данных. Изучите различные подходы к их проектированию и начнёте работать с требованиями заказчика, выбирая оптимальные решения для конкретных задач. Разберётесь в концепции витрин данных, освоите их построение и обновление. Овладеете методами инкрементальной загрузки и транзакционной обработки. Узнаете, как оптимизировать запросы для повышения эффективности работы с данными.
Потоковая обработка данных и их хранение в озере
Познакомитесь с архитектурой Data Lake и принципами его наполнения данными из различных источников. Освоите обработку данных в MPP-системах и научитесь использовать PySpark и Airflow для управления обработкой данных. Разберётесь в особенностях потоковой обработки и построите свою стриминговую систему. В завершение курса создадите витрину данных с использованием real‑time потоков.
Облачные технологии и проектный практикум
Познакомитесь с принципами облачных технологий и разберётесь в инфраструктуре Yandex Cloud. Научитесь развёртывать DWH, работать с Redis и Kafka для хранения и потоковой обработки данных. Освоите контейнеризацию в Docker, управление микросервисами через Kubernetes и настройку сервисов с Helm. Напишете свой первый облачный сервис с PostgreSQL, подготовите окружение и логику работы.
Аналитические базы данных и хранилища
Построите DWH с нуля на реляционной СУБД и познакомитесь с MongoDB как источником данных. Изучите организацию хранилища в Vertica, освоите базовые операции с данными и создадите простое хранилище данных в Vertica.
Автоматизация подготовки данных
Автоматизируете пайплайн работы с данными: настроите автоматическую выгрузку данных из источников и освоите методы их регулярной и инкрементальной загрузки в базу данных.
Принципы проверки качества входных данных
Разберёте принципы оценки качества данных и настроите шаги, необходимые для проверки. Научитесь оценивать техническую и бизнес‑составляющие качества данных.Собирать требования, а также проектировать и внедрять процесс проверки качества данных.
Софтскилы: гибкие методологии
Научитесь применять гибкие методологии разработки для эффективной командной работы. Освоите принципы Agile, Scrum и Kanban, разберётесь в ролях и задачах участников команды. Поймёте, как выстраивать процессы, управлять задачами, поддерживать рабочие нормы и оценивать продуктивность. Научитесь адаптировать стиль управления под команду и разберёте реальные кейсы организации разработки.
Производственная практика в формате хакатона
Программа дисциплины поможет углубить и применить на практике усвоенные теоретические знания. Получите опыт работы с реальными данными от заказчиков. Сможете развить навыки организации процесса и самостоятельного принятия решений. Соберёте кейсы для портфолио и защитите свой проект.
Семестр 4. Преддипломная практика. Подготовка и защита ВКР
4 месяца,
~25 часов в неделю
Получите диплом о высшем образовании с присвоением степени магистра
Преддипломная практика
Сможете значительно расширить свои знания в выбранной области, а также систематизировать и собрать необходимый теоретический и практический материал для подготовки и написания выпускной квалификационной работы.
Производственная практика
Используете свои знания и навыки в реальной работе, выполняя практические задачи, улучшая рабочие процессы и повышая свою профессиональную эффективность. Это поможет вам лучше понимать свою сферу деятельности и успешно применять изученные методы на практике.
Защита выпускной квалификационной работы
Презентуете ВКР перед государственной экзаменационной комиссией. Во время защиты подробно расскажете о цели, задачах, методах исследования и сделанных выводах, а также ответите на вопросы членов комиссии, демонстрируя свои знания и профессиональную компетентность.
Сколько стоит
Бюджетных мест нет, но можно платить частями — перед началом каждого семестра
200 000 ₽
за семестр
400 000 ₽
за год
Делите проценты с государством 40/60, основной долг гасит государство
Делите проценты с государством 60/40, основной долг гасит государство
Полностью платите проценты, основной долг гасит государство
Постепенно выплачиваете оставшийся долг или погашаете кредит досрочно
Чтобы следить за информацией о поступлении, анонсами мероприятий для абитуриентов и новостями Практикума
Нет, изменение уровней высшего образования пока только обсуждается.
Сейчас существует 3 уровня высшего образования:
После обучения в магистратуре у вас будет специализированное высшее образование.
Общая стоимость за 2 года — 800 000 ₽.
Можно платить перед началом каждого семестра по 200 000 ₽.
Чтобы платежи были более комфортными, можно взять образовательный кредит с господдержкой: в Сбере, Т-Банке, Алмазэргиэнбанке или РНКБ.
Да, для программы это необязательный критерий, но важно, чтобы у вас уже был диплом о высшем образовании.
В программе есть вводные дисциплины, которые позволят адаптироваться и восполнить пробелы в знаниях. Ещё во время обучения будет практика, чтобы закрепить полученные навыки.
Предстоит письменный экзамен, на котором будут 2 открытых кейса и 1 кейс о вашей мотивации и опыте.
Экзамен проходит онлайн. На выполнение заданий отводится 3 часа.
Ваша цель — показать свой подход к решению задач и рассказать о своих ожиданиях от обучения в магистратуре. На оценку влияют полнота ответов и логика рассуждений.
Максимальное количество баллов — 100, минимальный проходной балл — 80.
Все детали о поступлении расскажем весной на дне открытых дверей. Чтобы не пропустить это событие, оставьте заявку на обучение.
Если вы учились на курсах ДПО, то некоторые предметы можно будет перезачесть. Для этого нужно отправить куратору диплом о профессиональной переподготовке — мы сравним пройденный вами курс с программой магистратуры и скажем, можно ли что‑то не учить заново.
Действующие IT-специалисты могут обсуждать с преподавателями упрощённые формы аттестации, без экзаменов. Например, можно сделать проект или показать кейс со своей работы — тут всё решается индивидуально.
Договор вы оформляете с МИФИ и являетесь его студентом.
Яндекс Практикум — партнёр программы, который отвечает за реализацию части образовательной программы.
Вы получите диплом государственного образца о высшем образовании с присвоением степени магистра от МИФИ. Направление: 01.04.02 «Прикладная математика и информатика».
От Практикума вы получите диплом о профессиональной переподготовке.
Налоговый вычет может оформить тот, кто работает по трудовому договору и является налоговым резидентом Российской Федерации, то есть 183 дня в году находится на территории страны.
Заявление на налоговый вычет нужно подать через личный кабинет на сайте nalog.ru (в него можно войти через аккаунт на Госуслугах).
Подробнее о налоговом вычете — на сайте Федеральной налоговой службы.