0
1
1
1
0
1
1
0
0
1
0
1
0
0
1
1
0
1
0
1
1
1
0
0
1
0
1
1
1
1
0
1
1
0
0
1
0
1
0
0
1
1
0
1
0
1
1
1
0
0
1
0
1
0
1
1
1
0
1
1
0
0
1
0
1
0
0
1
1
0
1
0
1
1
1
0
0
1
0
1
1
1
1
0
1
1
0
0
1
0
1
0
0
1
1
0
1
0
1
1
1
0
0
1
0
1
0
1
1
1
0
1
1
0
0
1
0
1
0
0
1
1
0
1
0
1
1
1
0
0
1
0
1
1
1
1
0
1
1
0
0
1
0
1
0
0
1
1
0
1
0
1
1
1
0
0
1
0
1
0
1
1
1
0
1
1
0
0
1
0
1
0
0
1
1
0
1
0
1
1
1
0
0
1
0
1
1
1
1
0
1
1
0
0
1
0
1
0
0
1
1
0
1
0
1
1
1
0
0
1
0
1
0
1
1
1
0
1
1
0
0
1
0
1
0
0
1
1
0
1
0
1
1
1
0
0
1
0
1
1
1
1
0
1
1
0
0
1
0
1
0
0
1
1
0
1
0
1
1
1
0
0
1
0
1
0
1
1
1
0
1
1
0
0
1
0
1
0
0
1
1
0
1
0
1
1
1
0
0
1
0
1
1
1
1
0
1
1
0
0
1
0
1
0
0
1
1
0
1
0
1
1
1
0
0
1
0
1
0
1
1
1
0
1
1
0
0
1
0
1
0
0
1
1
0
1
0
1
1
1
0
0
1
0
1
1
1
1
0
1
1
0
0
1
0
1
0
0
1
1
0
1
0
1
1
1
0
0
1
0
1
0
1
1
1
0
1
1
0
0
1
0
1
0
0
1
1
0
1
0
1
1
1
0
0
1
0
1
1
1
1
0
1
1
0
0
1
0
1
0
0
1
1
0
1
0
1
1
1
0
0
1
0
1
И
Т
М
О
b
o
n
u
s
t
r
a
c
k
I
T
M
O
Т
М
О
b
o
n
u
s
t
r
a
c
k
I
T
M
O
И
Т
М
О
b
o
n
u
s
t
r
a
c
k
I
T
M
O
Т
М
О
b
o
n
u
s
t
r
a
c
k
I
T
M
O
И
Т
М
О
b
o
n
u
s
t
r
a
c
k
I
T
M
O
Т
М
О
b
o
n
u
s
t
r
a
c
k
I
T
M
O
У
Н
И
В
Е
Р
С
И
Т
Е
Т
I
T
M
O
U
N
I
V
E
R
C
I
T
Y
Н
И
В
Е
Р
С
И
Т
Е
Т
I
T
M
O
U
N
I
V
E
R
C
I
T
Y
У
Н
И
В
Е
Р
С
И
Т
Е
Т
I
T
M
O
U
N
I
V
E
R
C
I
T
Y
Н
И
В
Е
Р
С
И
Т
Е
Т
I
T
M
O
U
N
I
V
E
R
C
I
T
Y
У
Н
И
В
Е
Р
С
И
Т
Е
Т
I
T
M
O
U
N
I
V
E
R
C
I
T
Y
Н
И
В
Е
Р
С
И
Т
Е
Т
I
T
M
O
U
N
I
V
E
R
C
I
T
Y
0
1
1
1
0
1
1
0
0
1
0
1
0
0
1
1
0
1
0
1
1
1
0
0
1
0
1
1
1
1
0
1
1
0
0
1
0
1
0
0
1
1
0
1
0
1
1
1
0
0
1
0
1
0
1
1
1
0
1
1
0
0
1
0
1
0
0
1
1
0
1
0
1
1
1
0
0
1
0
1
1
1
1
0
1
1
0
0
1
0
1
0
0
1
1
0
1
0
1
1
1
0
0
1
0
1
0
1
1
1
0
1
1
0
0
1
0
1
0
0
1
1
0
1
0
1
1
1
0
0
1
0
1
1
1
1
0
1
1
0
0
1
0
1
0
0
1
1
0
1
0
1
1
1
0
0
1
0
1
0
1
1
1
0
1
1
0
0
1
0
1
0
0
1
1
0
1
0
1
1
1
0
0
1
0
1
1
1
1
0
1
1
0
0
1
0
1
0
0
1
1
0
1
0
1
1
1
0
0
1
0
1
И
Т
М
О
b
o
n
u
s
t
r
a
c
k
I
T
M
O
Т
М
О
b
o
n
u
s
t
r
a
c
k
I
T
M
O
0
1
1
1
0
1
1
0
0
1
0
1
0
0
1
1
0
1
0
1
1
1
0
0
1
0
1
1
1
1
0
1
1
0
0
1
0
1
0
0
1
1
0
1
0
1
1
1
0
0
1
0
1
bonus_track
bonus_
track
track
0
1
1
1
0
1
1
0
0
1
0
1
0
0
1
1
0
1
0
1
1
1
0
0
1
0
1
1
1
1
0
1
1
0
0
1
0
1
0
0
1
1
0
1
0
1
1
1
0
0
1
0
1
Получи дополнительный диплом IT-специалиста за время обучения в ИТМО
track
bonus_
Студентам ИТМО
<h2>
</h2>
{
{
Технологии анализа данных
Формат обучения: онлайн
Стоимость: бесплатно
Стоимость: бесплатно
.Бакалавриат 2-4 курс (2023/24 год обучения)
.Магистратура 1-2 курс (2023/24 год обучения)
(287 часов)
{
Ассессмент (комплексная оценка) (1 час)
Общие сведения о методологии анализа данных и реляционные базы данных (36 часов)
NоSQL хранилища данных (36 часов)
Основы языка Python (72 часа)
Методы и алгоритмы машинного обучения (72 часа)
Итоговый проект (70 часов)
— Перезачёт дисциплин модуля «Цифровая культура»
— Итоговый проект выполняется обязательно всеми студентами
Общие сведения о методологии анализа данных и реляционные базы данных (36 часов)
NоSQL хранилища данных (36 часов)
Основы языка Python (72 часа)
Методы и алгоритмы машинного обучения (72 часа)
Итоговый проект (70 часов)
— Перезачёт дисциплин модуля «Цифровая культура»
— Итоговый проект выполняется обязательно всеми студентами
{
{
Ассессмент (комплексная оценка) (1 час)
Общие сведения о методологии анализа данных и реляционные базы данных (36 часов)
NоSQL хранилища данных (36 часов)
Основы языка Python (72 часа)
Методы и алгоритмы машинного обучения (72 часа)
Итоговый проект (70 часов)
— Перезачёт дисциплинами модуля «Прикладной искусственный интеллект»
— Итоговый проект выполняется обязательно всеми студентами
Общие сведения о методологии анализа данных и реляционные базы данных (36 часов)
NоSQL хранилища данных (36 часов)
Основы языка Python (72 часа)
Методы и алгоритмы машинного обучения (72 часа)
Итоговый проект (70 часов)
— Перезачёт дисциплинами модуля «Прикладной искусственный интеллект»
— Итоговый проект выполняется обязательно всеми студентами
{
{
{
{
Методы анализа данных
Инженерия машинного обучения
Для студентов IT-направлений
Только для студентов бакалавриата 3-4 курса факультета ПИиКТ
Формат обучения: онлайн
Стоимость: бесплатно
Стоимость: бесплатно
Формат обучения: онлайн
Стоимость: бесплатно
Стоимость: бесплатно
.Бакалавриат 2-4 курс (2023/24 год обучения)
.Бакалавриат 3-4 курс (2023/24 год обучения)
(253 часов)
(324 часов)
{
{
Ассессмент (комплексная оценка) (1 час)
Хранение и обработка данных (36 часов)
Приемы статистической обработки данных (36 часов)
Методы машинного обучения (144 часа)
Итоговый проект (36 часов)
— Перезачёт дисциплин модуля «Цифровая культура»
— Итоговый проект выполняется обязательно всеми студентами
Хранение и обработка данных (36 часов)
Приемы статистической обработки данных (36 часов)
Методы машинного обучения (144 часа)
Итоговый проект (36 часов)
— Перезачёт дисциплин модуля «Цифровая культура»
— Итоговый проект выполняется обязательно всеми студентами
Ассессмент (комплексная оценка) (1 час)
Основы программной инженерии (38 ак.ч.)
Алгоритмы и структуры данных (56 ак.ч.)
Системы искусственного интеллекта (44 ак.ч.)
Архитектура систем ИИ (68 ак.ч.)
Методология инженерии машинного обучения (48 ак.ч.)
Итоговый проект (70 ак.ч.)
—Перезачет дисциплин, изучаемых в бакалавриате в течение 4 и 5 семестров
—Новые дисциплины, которые будут изучаться в весеннем семестре 2024 года.
Основы программной инженерии (38 ак.ч.)
Алгоритмы и структуры данных (56 ак.ч.)
Системы искусственного интеллекта (44 ак.ч.)
Архитектура систем ИИ (68 ак.ч.)
Методология инженерии машинного обучения (48 ак.ч.)
Итоговый проект (70 ак.ч.)
—Перезачет дисциплин, изучаемых в бакалавриате в течение 4 и 5 семестров
—Новые дисциплины, которые будут изучаться в весеннем семестре 2024 года.
{
{
Для бакалавров не IT-направлений и магистрантов всех направлений
Ассессмент (комплексная оценка) (1 час)
Общие сведения о методологии анализа данных и реляционные базы данных (36 часов)
NoSQL хранилища данных (36 часов)
Основы языка Python(72 часа)
Методы и алгоритмы машинного обучения (72 часа)
Итоговый проект (70 часов)
— Перезачёт дисциплин модуля «Цифровая культура»
— Итоговый проект выполняется обязательно всеми студентами
Общие сведения о методологии анализа данных и реляционные базы данных (36 часов)
NoSQL хранилища данных (36 часов)
Основы языка Python(72 часа)
Методы и алгоритмы машинного обучения (72 часа)
Итоговый проект (70 часов)
— Перезачёт дисциплин модуля «Цифровая культура»
— Итоговый проект выполняется обязательно всеми студентами
Ассессмент (комплексная оценка) (1 час)
Общие сведения о методологии анализа данных и реляционные базы данных(36 часов)
NoSQL хранилища данных (36 часов)
Основы языка Python (72 часа)
Методы и алгоритмы машинного обучения (72 часа)
Итоговый проект (70 часов)
— Перезачет дисциплин модуля «Прикладной искусственный интеллект»
— Итоговый проект выполняется обязательно всеми студентами
Общие сведения о методологии анализа данных и реляционные базы данных(36 часов)
NoSQL хранилища данных (36 часов)
Основы языка Python (72 часа)
Методы и алгоритмы машинного обучения (72 часа)
Итоговый проект (70 часов)
— Перезачет дисциплин модуля «Прикладной искусственный интеллект»
— Итоговый проект выполняется обязательно всеми студентами
{
Ассессмент (комплексная оценка) (1 час)
Хранение и обработка данных (36 часов)
Приемы статистической обработки данных (36 часов)
Методы машинного обучения (72 часа)
Итоговый проект (70 часов)
— Перезачёт дисциплин модуля «Цифровая культура»
— Итоговый проект выполняется обязательно всеми студентами
Хранение и обработка данных (36 часов)
Приемы статистической обработки данных (36 часов)
Методы машинного обучения (72 часа)
Итоговый проект (70 часов)
— Перезачёт дисциплин модуля «Цифровая культура»
— Итоговый проект выполняется обязательно всеми студентами
ИТМО
Студентам
Итоговый проект
<h3>
Может выполняться как в одиночку, так и с командой единомышленников. Тема итогового проекта должна основываться на применении изученных технологий в профильных предметных областей.
</h3>
<p>
Регистрация
</p>
Для участия необходимо отправить заявку «Зачисление на обучение по ДПП ПП в рамках проекта bonus_track» на портале my.itmo.ru в разделе Заявки / Учеба.
<p>
</p>
<h3>
</h3>
График
<h2>
</h2>
24 июля 2023 — начало приема заявлений на обучение по программе на портале my.itmo.ru (Заявки / Учеба / Зачисление на обучение по ДПП ПП в рамках проекта bonus_track)
30 ноября 2023 — зачисление на обучение по дополнительной профессиональной программе профессиональной переподготовки
.1
4 декабря 2023 — 1 июля 2024 — обучение.
Магистранты смогут получить дипломы сразу по окончании обучения по ДПП ПП, а бакалавры — по окончании обучения в бакалавриате
Магистранты смогут получить дипломы сразу по окончании обучения по ДПП ПП, а бакалавры — по окончании обучения в бакалавриате
.3
.5
до 30 ноября 2023 — прохождение ассессмента (комплексной оценки)
.4
30 ноября 2023 — окончание приема заявлений
.2
1 октября 2022 —
1 июля 2023 — обучение.
Магистранты смогут получить дипломы сразу по окончанию обучения по ДПП ПП, а бакалавры — по окончанию обучения в бакалавриате
1 июля 2023 — обучение.
Магистранты смогут получить дипломы сразу по окончанию обучения по ДПП ПП, а бакалавры — по окончанию обучения в бакалавриате
О проекте
<h2>
</h2>
bonus_track —
инициатива ИТМО, реализуемая в рамках проекта «Цифровые кафедры», запущенного на базе университетов-участников программы «Приоритет-2030» и направленного на освоение цифровых компетенций в области создания алгоритмов и программ, пригодных для практического применения, или навыков использования и освоения цифровых технологий, необходимых для выполнения нового вида профессиональной деятельности
поддержание баланса спроса и предложений в ИТ-отрасли и обеспечение приоритетных отраслей экономики высококвалифицированными кадрами, обладающими цифровыми компетенциями.
Цель проекта:
Контакты
<h2>
</h2>
По организационным
вопросам:
вопросам:
Дмитрий Шуклин, начальник
Управления корпоративного обучения
и профессионального развития
Управления корпоративного обучения
и профессионального развития
Партнёры
<h2>
</h2>
Программа посвящена технологиям работы
с большими объемами данных
Вы научитесь:
- собирать, обрабатывать и интерпретировать данные;
- визуализировать данные, работать с временными рядами ;
- организовывать хранение Big Data и писать запросы на SQL;
- применять для анализа данных Python и его библиотеки;
- обнаруживать закономерности и аномалии методами машинного обучения;
Основные разделы программы:
- Алгоритмы разведочного анализа данных
- Работа с временными рядами и визуализация данных
- Проектирование и организации хранения больших данных в реляционных СУБД
- NоSQL хранилища данных: графовые хранилища данных, хранилища класса ключ-значение, документные хранилища и колоночные хранилища данных
- Знакомство с алгоритмами и структурами данных на языке Python в среде разработки Jupyter Notebook
- Применение библиотек Python для работы с данными в форматах HTML, XML, JSON, работа с библиотекой Requests
- Классификация методов машинного обучения
- Линейная регрессия
- Методы классификации
- Применение методов машинного обучения для решения прикладных задач.
Программа посвящена методам аналитики больших данных
Вы научитесь:
- организовывать хранение BigData и писать запросы на SQL;
- оценивать статистические параметры данных;
- применять для анализа данных Python и его библиотеки;
- обнаруживать закономерности и аномалии методами машинного обучения;
- применять методы машинного обучения для решения прикладных задач;
Пререквизиты: начальные навыки программирования на Python или любом другом языке программирования.
Основные разделы программы:
- Инструменты для обработки данных. Визуализация данных
- Алгоритмы разведочного анализа данных с помощью библиотек Python (NumPy и pandas)
- Прогнозирование временных рядов
- Проектирование и организации хранения больших данных в реляционных СУБД
- Оптимизация запросов к реляционным данным
- NoSQL хранилища данных
- Характеристики и законы распределения одномерных и многомерных случайных величин
- Точечное и интервальное оценивание параметров
- Построение гипотез
- Классификация методов машинного обучения
- Линейная регрессия
- Методы классификации и кластеризации
- Снижение размерности
- Ансамблевые методы
Программа посвящена проектированию архитектуры систем машинного обучения
Вы научитесь:
- разрабатывать технические задания;
- выбирать, исходя из задачи, компоненты систем машинного обучения;
- разрабатывать архитектуру с учетом практики применения паттернов проектирования систем машинного обучения;
- создавать программные модели машинного обучения и встраивать их в комплексные программные системы
Пререквизиты: изучение дисциплин "Основы программной инженерии", "Алгоритмы и структуры данных" и "Системы искусственного интеллекта" в бакалавриате ФПИиКТ
Основные разделы программы:
- ЖЦ разработки ПО
- Требования к ПО, риски
- Производительность и качество ПО
- Алгоритмы и структуры данных
- Логическое программирование и базы знаний
- Методы редуцирования пространства поиска
- Компоненты конвейера машинного обучения
- Сбор и хранение данных. Визуализация данных
- Представление задачи, построение признаков и выбор модели
- Построение и настройка модели
- Оценка и интерпретация моделей
- Развертывание модели
- Масштабирование для систем машинного обучения
- Мониторинг и обслуживание систем
- Методология разработки систем машинного обучения
- Нюансы требований к системам машинного обучения и ТЗ на такие системы
- Технологии проектирования признаков