Центр непрерывного образования ФКН НИУ ВШЭ

Какая математика реально используется в Data Science и AI-инженерии Вопрос «нужна ли математика» обычно ставится слишком широко, поэтому и ответы на него получаются бесполезными. Предлагаем посмотреть, какие разделы и в каких конкретно задачах всплывают в работе, и на каком уровне их необходимо знать. 1️⃣Линейная алгебра 🟣Скалярное произведение и нормы. Косинусная мера, на которой держится поиск по эмбеддингам и векторные базы данных, это нормированное скалярное произведение. Нормы L1 и L2 определяют вид регуляризации и различие между Lasso и Ridge. 🟣Собственные значения и векторы. Метод главных компонент строится на спектральном разложении ковариационной матрицы. 🟣Сингулярное разложение. Лежит в основе понижения размерности, латентно-семантического анализа и матричных методов в рекомендательных системах. Малоранговая аппроксимация из SVD напрямую используется в LoRA, наиболее распространенном способе дообучения больших моделей. 🟣Ранг, ортогональность, обусловленность. Определяют, почему мультиколлинеарность ломает линейную регрессию и когда решение системы численно неустойчиво. 2️⃣Математический анализ и оптимизация 🟣Градиент и правило дифференцирования сложной функции. 🟣Якобиан и гессиан. Объясняют разницу между методами первого и второго порядка и происхождение адаптивных шагов в Adam. 🟣Выпуклость и условия оптимальности. Показывают, почему линейные модели и SVM обучаются устойчиво, а нейросети требуют подбора начальных приближений и расписания скорости обучения. 🟣Поведение производных на длинных композициях. Отсюда следуют затухание и взрыв градиентов, а вместе с ними остаточные связи и нормализация слоев. 3️⃣Теория вероятностей и математическая статистика 🟣Распределения и условная вероятность. Формула Байеса дает наивный байесовский классификатор, байесовскую оптимизацию гиперпараметров и вероятностную интерпретацию предсказаний. 🟣Метод максимального правдоподобия. Кросс-энтропия и среднеквадратичная ошибка не выбираются произвольно, обе выводятся из правдоподобия при разных предположениях о распределении шума. 🟣Проверка гипотез, мощность, доверительные интервалы, бутстрап. Основа A/B-тестирования и любой оценки того, значим ли прирост качества модели. 4️⃣Теория информации Небольшой по объему раздел, прямо описывающий функции потерь современных моделей. 🟣Энтропия и кросс-энтропия. Стандартная функция потерь в классификации и в языковом моделировании. 🟣Расстояние Кульбака — Лейблера. Используется в вариационных автокодировщиках, в дистилляции знаний и в методах выравнивания вроде DPO и PPO, где ограничивает отклонение обучаемой модели от исходной. 🟣Перплексия. Экспонента от кросс-энтропии, базовая метрика качества языковых моделей. 5️⃣Дискретная математика и вычислительная сложность 🟣Оценка асимптотики. Без нее невозможно понять, почему классическое внимание требует квадратичного числа операций от длины последовательности и откуда берутся ограничения на размер контекста. 🟣Графы. Нужны в графовых нейронных сетях, в рекомендательных системах и в подходах, где извлечение построено на графе знаний. 🟣Комбинаторика. Возникает в оценке пространства гиперпараметров и в задачах сэмплирования. 6️⃣Численные методы Соотношение с ролями 🟣Аналитику данных нужны прежде всего статистика и теория вероятностей, линейная алгебра на уровне понимания метода главных компонент и регрессии. 🟣Инженеру машинного обучения дополнительно требуются оптимизация, матричное дифференцирование и численные методы, поскольку он отвечает за сходимость и за поведение модели в продакшене. 🟣Исследователю необходим весь перечисленный набор в формальном виде, включая доказательную часть.

Компьютерное зрение на практике: распознавание кошек и собак Делимся записью вебинара от Центра непрерывного образования ФКН, на котором мы проходим весь путь от теории до кода в Google Colab и говорим о том: 🟣как нейросети на самом деле «видят» изображения (спойлер: совсем не как люди); 🟣что такое классификация изображений и какие задачи к ней относятся; 🟣как подготовить данные для обучения: от папки с картинками до готового датасета; 🟣как обучить простую модель распознавания котов и собак; 🟣как проверить качество модели и понять, ошибается она или нет; 🟣и самое интересное: как «обмануть» нейросеть и зачем это делать. 🎙Спикер: Марк Блуменау, академический руководитель программы «Специалист по Data Science» Центра непрерывного образования ФКН и магистратуры «Умные устройства: аппаратная разработка». Смотреть 📍

Промпт-инжиниринг: методологии CO-STAR и TIDD-EC Языковые модели достраивают наиболее вероятные продолжения на основе того, что вы дали на вход, и чем больше в запросе неоднозначности, тем шире пространство возможных ответов и выше шанс получить размытый или нерелевантный результат. Методологии структурирования промптов решают эту проблему и превращают расплывчатое пожелание в спецификацию. Сегодня разберем 2️⃣ наиболее популярных. 1️⃣CO-STAR Основной концепт — разложение запроса на шесть измерений, каждое из которых закрывает отдельный источник неоднозначности. 🟣Context: фоновые данные, в которых существует задача, позволяющие модели сузить ответ до конкретной ситуации. 🟣Objective: одна четко сформулированная задача. 🟣Style: структура и манера изложения. 🟣Tone: эмоциональная окраска. И в данном случае стиль и тон намеренно разделены: текст может быть строго структурированным по стилю, но при этом дружелюбным по тону. 🟣Audience: на кого ориентирован ответ и какая глубина объяснений требуется. 🟣Response: объем, структура, формат вывода, лимит по длине. Этот компонент экономит больше всего итераций, так как именно несовпадение формата чаще всего заставляет переписывать запрос. CO-STAR сильнее всего в задачах генерации текста, в которых результат оценивается субъективно и важны попадание в аудиторию и выдержанная стилистика. 2️⃣TIDD-EC Более строгая методология, ориентированная на задачи, в которых ответ оценивается по объективным критериям: правильно/неправильно, соответствует формату/нет. Пять основных пунктов: 🟣Task type: категория операции: классификация, извлечение сущностей, суммаризация, переписывание. 🟣Instructions: пошаговый алгоритм выполнения. Здесь описывается не что нужно получить, а как к этому прийти. 🟣Do: признаки, которые обязательно должны присутствовать в ответе. 🟣Don't: ограничения и типичные ошибки, которые нужно исключить. Связка Do/Don't задает границы ответа с двух сторон и заметно снижает количество отклонений от ожидаемого результата. 🟣Examples & Content: образцы желаемого вывода плюс конкретные данные для обработки. Примеры работают как few-shot обучение прямо внутри запроса: модель ориентируется на эталон. TIDD-EC лучше применять в формализованных задачах с жесткими требованиями: парсинг в структурированный формат, разметка, классификация по заданным правилам. Как выбирать на практике: 🟣Результат оценивается субъективно (тексты, письма, контент, коммуникация): CO-STAR с упором на контекст, аудиторию и стилистику. 🟣Результат проверяется по четким критериям (обработка данных, извлечение, классификация): TIDD-EC с упором на инструкции, ограничения и примеры. 📁Научиться эффективно использовать ИИ для написания писем и статей, изучения целевой аудитории, подготовки презентаций, создания контент-планов для социальных сетей, обработки и генерации изображений, видео и аудио можно на онлайн-курсе Центра непрерывного образования ФКН «Промпт-инженерия: нейросети для человека»: подробнее.

MCP: единый протокол доступа языковых моделей к внешним системам Языковая модель сама по себе способна лишь генерировать текст, а практическую ценность она приобретает тогда, когда получает доступ к базам данных, файловым хранилищам, корпоративным сервисам и внутренним программным интерфейсам. До конца 2024 года каждое такое подключение разрабатывалось индивидуально, под конкретную пару «приложение — источник». Model Context Protocol устранил эту комбинаторику. Приложение однократно реализует клиентскую часть протокола, источник данных однократно оборачивается серверной, после чего любое приложение соединяется с любым источником без отдельной обвязки. В протоколе выделены три роли: 🟣Хост, то есть приложение, в котором работает модель: чат-клиент, среда разработки, агентная система. 🟣Клиент, компонент внутри хоста, удерживающий соединение с одним конкретным сервером. 🟣Сервер, обертка над внешней системой, будь то хранилище, репозиторий или сторонний сервис. Обмен сообщениями построен на JSON-RPC. Локальные серверы взаимодействуют с хостом через стандартные потоки ввода и вывода, удаленные работают поверх HTTP. Соединение начинается с рукопожатия, в ходе которого стороны согласуют версию протокола и перечень поддерживаемых возможностей. Что именно предоставляет сервер Спецификация различает три типа примитивов, и различие проходит по тому, кто инициирует обращение: 🟣Инструменты. Исполняемые действия: выполнить запрос, создать задачу, отправить сообщение. Решение о вызове принимает модель. 🟣Ресурсы. Данные, пригодные для чтения: файлы, записи, содержимое страниц. Обращение инициирует приложение. 🟣Промпты. Заготовленные шаблоны сценариев, которые запускает пользователь. Разграничение имеет прикладной смысл: от того, кто инициирует обращение, зависит, какие проверки и права доступа применяются на каждом из каналов. Статус стандарта Спецификация опубликована Anthropic в ноябре 2024 года в открытом виде. В течение 2025 года протокол поддержали остальные крупные разработчики, включая OpenAI, Google и Microsoft, а в декабре 2025 года проект был передан в Agentic AI Foundation под управлением Linux Foundation. Что учитывать при внедрении: 🟣Подключение модели к рабочим системам расширяет поверхность атаки. Описания инструментов и результаты их вызова попадают в контекст модели наравне с пользовательским запросом, поэтому содержимое внешнего источника способно повлиять на поведение системы. 🟣Отсюда набор практических требований: подтверждение человеком всех необратимых операций, выдача серверу минимально необходимых прав, контроль происхождения сервера перед подключением, отдельная схема авторизации для удаленных соединений. 🟣Протокол не повышает качество самой модели. Он стандартизирует канал, по которому модель получает данные и совершает действия, и делает эту часть системы воспроизводимой, переносимой и поддающейся аудиту. Подробнее по теме: 1️⃣Исходный анонс протокола, Anthropic, ноябрь 2024. Публикация, с которой все началось: постановка задачи и первое описание архитектуры. 2️⃣Официальная спецификация и документация. Актуальная версия протокола, описание примитивов, транспортов и схемы авторизации. 3️⃣Hou X. и др. Model Context Protocol (MCP): Landscape, Security Threats, and Future Research Directions, 2025. Первая систематическая работа по протоколу: архитектура, жизненный цикл сервера, таксономия угроз по фазам. 4️⃣Hasan M. M. и др. Model Context Protocol (MCP) at First Glance, 2025: эмпирический анализ 1899 открытых MCP-серверов: качество кода, уязвимости, сопровождаемость. 5️⃣Li X., Gao X. A First Look at the Security Issues in the Model Context Protocol Ecosystem, 2025. Исследование рисков на уровне реестров и хостов: как недостаточная проверка позволяет вредоносным серверам попадать в клиентские приложения.

Что изучать осенью: ключевые программы ЦНО ФКН Сентябрь и октябрь — старт нового учебного сезона. Собрали основные программы осеннего набора: от первого языка программирования до инженерии данных и разработки решений на больших языковых моделях. Программы профессиональной переподготовки 1️⃣Специалист по науке о данных (Data Science) 🟣Вы освоите классические алгоритмы машинного обучения, научитесь работать с большими данными через Spark, разберетесь в архитектуре трансформеров и попробуете вывести модель в продакшен средствами MLOps. Программа рассчитана на тех, кто начинает с нуля, приходит из смежных областей или хочет перейти в Data Science из разработки. Первая программа переподготовки, получившая аккредитацию Альянса в сфере ИИ. 📁Старт: 3 сентября Подробнее 📍 2️⃣Аналитик данных 🟣Здесь вы научитесь превращать данные в решения, на которые опирается бизнес. Освоите Python и SQL для работы с источниками, статистику и A/B-тестирование для проверки гипотез, машинное обучение для прогнозов. Отдельно разберетесь в продуктовой аналитике: как считать метрики, строить когорты и юнит-экономику, а также научитесь собирать дашборды в Tableau и DataLens. Программа подойдет и начинающим, и аналитикам, которые хотят выйти за пределы Excel. 📁Старт: 14 октября Подробнее 📍 3️⃣Инженер данных 🟣Программа для тех, кто хочет строить инфраструктуру, на которой держатся аналитика и машинное обучение. Вы научитесь проектировать хранилища, писать оптимизированные SQL-запросы, собирать пайплайны в Apache Airflow и настраивать потоковую обработку через Kafka и Spark Streaming. Разберетесь в аналитических СУБД, NoSQL-решениях, администрировании баз данных и управлении качеством данных. Итогом станет собственный пайплайн обработки данных, который можно показать работодателю. 📁Старт: 5 октября Подробнее 📍 Программы повышения квалификации 4️⃣Промпт-инженерия: нейросети для человека 🟣На курсе вы разберетесь, как устроены языковые модели изнутри и почему они так чувствительны к формулировкам. Научитесь строить структурированные запросы по методологиям CO-STAR и TIDD-EC, применять цепочку рассуждений и ролевые промпты, работать с генерацией изображений и видео. Отдельные занятия посвящены прикладным сценариям: контент и SMM, анализ аудитории, презентации, автоматизация отчетов. 📁Старт: 1 сентября Подробнее 📍 5️⃣Интуитивное программирование (вайб-кодинг) 🟣Курс о том, как собирать рабочие решения в связке с ИИ-ассистентами, не теряя контроля над результатом. Вы научитесь автоматизировать обработку табличных и текстовых данных на Python, собирать инструменты для консолидации отчетности и поднимать мини-сервисы с веб-интерфейсом на Streamlit и FastAPI. Отдельное внимание уделено версионированию через Git и воспроизводимости результата. Нужен минимальный опыт работы с любым языком программирования. 📁Старт: 2 сентября Подробнее 📍 6️⃣Создание и интеграция интеллектуальных ассистентов (LLM) 🟣Практический курс для IT-специалистов. Вы разберетесь в архитектуре трансформеров, научитесь дообучать модели, собирать RAG-системы и агентов, ускорять инференс и выводить решение в продакшен. Итоговый проект выполняется под руководством ментора и дополняет портфолио. Для старта нужны Python и понимание классического машинного обучения. 📁Старт: 9 сентября Подробнее 📍 7️⃣Язык программирования «Python» для анализа данных 🟣Курс подойдет тем, кто раньше не программировал. Вы начнете с синтаксиса и структур данных, дойдете до регулярных выражений и основ ООП, а затем научитесь собирать данные из веб-страниц и через API, обрабатывать их в pandas и визуализировать результаты. Финальным проектом станет собственный телеграм-бот. 📁Старт: 14 октября Подробнее 📍

Ежемесячная подборка актуальных IT-вакансий: август Позиции стажера: 🟣Аналитик, ПАО Банк ПСБ 🟣Аналитик данных, T2. Tech 🟣Бизнес-аналитик, Сбер 🟣Продуктовый аналитик, ОТП Банк. Бизнес 🟣Data Engineer, МТС 🟣Data Scientist, М.Видео-Эльдорадо. ИТ 🟣Data Scientist, Ozon Банк Бизнес-аналитика: 🟣Бизнес-аналитик, Cмарт Горизонт (Smart Tech Group) 🟣Бизнес-аналитик, ВкусВилл. Офис 🟣Бизнес-аналитик, SPLAT 🟣Бизнес-аналитик, Т-Банк 🟣Бизнес-аналитик, ВТБ Факторинг 🟣Бизнес-аналитик, Альфа-Банк Аналитика данных: 🟣Аналитик данных, Лаборатория Касперского 🟣Аналитик данных, МТС Банк. IT 🟣Аналитик данных, CloudPayments 🟣Аналитик данных, Aston 🟣Аналитик данных, СМ Лаб 🟣Аналитик данных, RWB (Wildberries & Russ) Data Science, ML и DE: 🟣AI-инженер, S7 Group 🟣AI-инженер, Сбер. Data Science 🟣ML-инженер, ОТП Банк. IT 🟣ML Engineer, ООО Звук 🟣Data Scientist, ООО HeadHunter::Analytics/Data Science 🟣Data Scientist, Ozon Tech 🟣Data Engineer, Ситидрайв 🟣Data Engineer, Домклик 🟣Data Engineer, Островок.Ostrovok!Tech

Собираем своего первого ИИ-агента в Python Центр непрерывного образования ФКН приглашает всех, кто готов не просто разобраться теории, а написать код собственного ИИ-агента, на вебинар в рамках программы «LLM: создание и интеграция интеллектуальных ассистентов». Разберём: 🟣что такое ИИ-агент и чем он отличается от обычной языковой модели 🟣для автоматизации каких задач — в жизни и в бизнесе — применяются агенты 🟣где проходят границы возможностей агентов и в чем их ограничения 🟣как собрать своего первого ИИ-агента на Python В ходе вебинара каждый участник напишет код рабочего агента — уйдёте не с конспектом, а с готовым примером, который можно развивать под свои задачи. Будет полезно тем, кто: 🟣знаком с классическим машинным обучением и основами глубокого обучения 🟣знает Python на базовом уровне и хочет разобраться в особенностях работы с современными языковыми моделями 🎙Спикер: Елена Кантонистова, доцент, академический руководитель программы «Искусственный интеллект», научный руководитель программы «Прикладные нейросетевые технологии». 📁 Когда: 6 августа в 18:00 Регистрация 📍

Аналитик данных или специалист по науке о данных: в чем разница и что выбрать Две программы профессиональной переподготовки Центра непрерывного образования стартуют с одинаковой базы: Python, SQL, статистика, машинное обучение. Дальше они расходятся: «Аналитик данных» готовит специалиста, который отвечает на вопрос, что происходит с продуктом и почему. «Специалист по науке о данных (Data Science)» готовит того, кто строит модели, автоматизирующие это поведение. Расскажем, чем именно они отличаются. Общий фундамент У обеих программ одинаковый набор базовых блоков: Python, SQL, прикладная статистика и классическое машинное обучение. 1️⃣«Аналитик данных»: акцент на продукт и бизнес Программа углубляется в то, как превращать данные в решения: 🟣Продуктовая аналитика: когортный анализ, unit-экономика, пирамида метрик, дизайн кастомных метрик, аналитические фреймворки 🟣A/B-тестирование: дизайн экспериментов, мощность, повышение чувствительности, работа с денежными метриками 🟣Business Intelligence: построение дашбордов в Tableau и DataLens от техзадания до публикации 🟣Data Warehouse: устройство хранилищ, Hadoop, Spark, MPP-системы, ETL и оркестрация через Airflow 2️⃣«Специалист по науке о данных (Data Science)»: акцент на модели и инженерию Программа углубляется в разработку и внедрение алгоритмов: 🟣Математика для анализа данных: дискретная математика, матанализ, линейная алгебра вплоть до SVD, теория вероятностей и вся необходимая база для понимания того, как модели работают изнутри 🟣Промышленное машинное обучение на Spark: работа с большими данными, Spark ML, экосистема (MLflow, Airflow, AutoML) 🟣Глубинное обучение: нейросети, сверточные сети, компьютерное зрение, NLP, архитектура трансформеров и BERT 🟣Введение в MLOps: контейнеризация, Kubernetes, DVC, деплой моделей через FastAPI, мониторинг в продакшене Как выбрать 🟣Хотите отвечать на вопросы бизнеса, работать с метриками, продуктом и гипотезами, строить дашборды и проверять эксперименты — это «Аналитик данных». 🟣Хотите разрабатывать модели, работать с нейросетями и большими данными, доводить решения до продакшена — это «Специалист по науке о данных (Data Science)». 🟣Сомневаетесь — ориентируйтесь на конечную роль. Аналитик помогает принять решение на основе данных. Специалист по Data Science автоматизирует это решение в виде работающей модели. Подробнее: Аналитик данных 📍 Специалист по науке о данных (Data Science) 📍

Уже сегодня: вебинар «Препроцессинг данных: ключевые этапы обработки» Перед вами стоит задача проанализировать данные? Тогда первое, с чем вы столкнетесь — это таблицы, полные пропусков, дубликатов и разных странных форматов. Прежде чем приступить к анализу и строить графики, данные нужно привести в порядок — то есть, провести препроцессинг. Центр непрерывного образования ФКН приглашает всех присоединиться к участию в открытом вебинаре, который пройдет в рамках программы «Аналитик данных». На вебинаре мы ответим на вопросы: 🟣что такое препроцессинг и почему без него нельзя обойтись; 🟣какие этапы подготовки данных пропускать не стоит; 🟣что делать с пропусками, дубликатами и «мусором»; 🟣как привести данные к одному формату и не сломать таблицу; 🟣как проверить, что данные уже готовы к анализу. Все участники получат перечень основных алгоритмов препроцессинга и дорожную карту подготовки данных. 🎙Спикер: Маргарита Бурова, эксперт и академический руководитель программы «Аналитик данных» Центра непрерывного образования ФКН, руководитель edtech-программ по data science и аналитике Wildberries. 📁Когда: сегодня в 17:30. Регистрация 📍

Лекция об ИИ-агентах на борту речного трамвая 28 июля приглашаем на лекцию «От языковых моделей до агентов: как создать игру с помощью искусственного интеллекта и в итоге проиграть». Формат необычный — лекция пройдет прямо на борту речного электросудна во время прогулки по второму регулярному маршруту от причала «ЗИЛ» до причала «Печатники». О чем расскажем: 🟣что такое ИИ-агенты и чем они отличаются от обычных языковых моделей 🟣как собрать собственного ИИ-помощника на своем компьютере 🟣путь от языковой модели к автономному агенту — на живом примере разработки игры 🎙Спикер: Мурат Хажгериев, эксперт Центра непрерывного образования ФКН, автор программы «Основы ИИ-агентов для автоматизации процессов», эксперт программы «Генеративный ИИ для руководителей», CTO в Pilloai. Организаторы: Центр искусственного интеллекта МТС MWS AI и Центр непрерывного образования ФКН НИУ ВШЭ. 📁Когда: 28 июля, 11:30. Оформить билет 📍

🎥 Подкаст «Уютный ФКНчик» возвращается Съемки полюбившегося всем подкаста возобновлены, а мы уже делимся с вами новым выпуском «Оживить машину: новая программа ФКН по робототехнике». В 2026 году на ФКН стартовал первый набор бакалаврской программы — «Проектирование интеллектуальных робототехнических систем». Это масштабный проект на стыке информационных технологий, искусственного интеллекта и робототехники, который участвует в инициативе Яндекс Физикал ИИ. Разбираемся в новом выпуске подкаста «Уютный ФКНчик»: 🟣Кого именно будут готовить на программе? 🟣Как выглядит рабочий день робототехника: от компьютерного зрения до чтения китайской документации на новые «железки»? 🟣Почему для роботов и беспилотных автомобилей не существует идеальных тестов и симуляторов? 🟣И правда ли, что сейчас роботов чаще обучают с помощью ИИ, чем «программируют»? 🎙 Ведущий: Вадим Моргачёв, академический руководитель бакалавриата ПИРС. Гости: 🎙Даниил Палеев, разработчик программного обеспечения Яндекс Роботикс, программист проектно-учебной лаборатории робототехники ФКН 🎙Максим Спорышев, руководитель службы предсказания и планирования движения в автономном транспорте Яндекса Подкаст организован Центром непрерывного образования ФКН. Смотреть выпуск подкаста: VK, Rutube, YouTube 📍

🧬Хотите оказаться на передовой медицинской науки? Программа «Кардиогенетика: от секвенирования к разработке кардиопанели» — это единственная в России программа, которая дает комплексное погружение в кардиогенетику. Мы ждем всех, кто хочет соединить анализ данных, реальные клинические задачи и генетику. Что вы освоите: 🟣инструменты анализа данных полногеномного секвенирования — на примере кардиогенетики; 🟣ключевые методы поиска мутаций, оценки их патогенности и связи с заболеваниями; 🟣базовые подходы машинного обучения для анализа геномов; 🟣практику на цифровом двойнике пациента — вы сами проведете тестирование и увидите, как теория работает в реальности. Вы будете работать с реальными задачами и получите навыки, которые сразу примените в своей практике или исследованиях. 🟣Не упустите шанс стать частью прорывного направления! Узнать подробности 📍

Last call: подать заявку летом — учиться осенью Осталось совсем немного до окончания акции «ранние пташки» от Центра непрерывного образования ФКН НИУ ВШЭ: оставьте заявку на программы с осенним стартом до 31 июля и заморозьте стоимость — в сентябре цены будут повышены. Акция распространяется на восемь программ: 1️⃣Программа профессиональной переподготовки (очный формат): 🟣Аналитик данных Годовая программа полного цикла подготовки специалиста: Python, SQL, статистика, A/B-тестирование, ML и продуктовая аналитика. По окончании слушатели получают диплом НИУ ВШЭ о переподготовке. Подать заявку 📍 2️⃣Курсы повышения квалификации (очный формат): 🟣Математика для анализа данных Фундаментальный курс по линейной алгебре, матанализу, дискретной математике и теории вероятностей для последующего изучения ML. Подать заявку 📍 🟣Алгоритмы и структуры данных Вы научитесь анализировать сложность алгоритмов, выбирать подходящие структуры данных и писать эффективный код, который не тормозит на больших объемах. Подать заявку 📍 🟣Прикладная статистика для машинного обучения Теория вероятностей и математическая статистика с реализацией на Python: от описательных статистик до A/B-тестирования, которое лежит в основе принятия решений в продуктовых командах. Подать заявку 📍 🟣Машинное обучение Изучение классических ML-алгоритмов (регрессии, классификации, кластеризации) с практикой на реальных задачах: от подготовки данных до оценки качества моделей. Подать заявку 📍 3️⃣Курсы повышения квалификации (онлайн): 🟣Python для автоматизации и анализа данных Освоите Python с нуля и научитесь автоматизировать рутину: сбор данных, обработка таблиц, визуализация, работа с API. Подать заявку 📍 🟣BI-аналитика и визуализация данных Научитесь строить интерактивные дашборды в Yandex DataLens и Tableau, проектировать визуализацию под бизнес-задачу и доносить выводы до нетехнических пользователей. Подать заявку 📍 🟣LLM: создание и интеграция интеллектуальных ассистентов Разберетесь в архитектуре трансформеров, научитесь проектировать RAG-пайплайны и создавать LLM-агентов для встраивания в реальные продукты. Подать заявку 📍 Как заморозить цену: оставьте заявку на странице выбранной программы до 31 июля. Менеджер подтвердит участие и зафиксирует для вас текущую стоимость обучения.

Материалы для старта карьеры в IT 1️⃣Начало карьеры в IT Бесплатный онлайн-курс, состоящий из 8 уроков и ориентированный на всех, кто планирует поиск работы в IT. Вы научитесь писать резюме и сопроводительные письма и узнаете о рынке труда в IT. Каждое занятие состоит из видеозаписи с теорией и дублирующего лонгрида. Присоединиться 📍 2️⃣Как найти первую работу в направлениях Data Analysis и Data Science? Запись вебинара: вы узнаете все про рынок труда, структурируете составление плана по поиску работы в направлениях аналитики и Data Science, поймете, как подходить к написанию сопроводительных писем, а также получите рекомендации от карьерного эксперта по составлению CV. Смотреть: YouTube, VK 📍 3️⃣Карьера в аналитике: какое направление выбрать? Из видео узнаете, какие роли существуют в аналитике, чем различаются задачи и инструменты специалистов разных направление, какие навыки являются востребованными для каждой специализации и как выстроить индивидуальную траекторию профессионального роста. Смотреть 📍 4️⃣Введение в GIT Научитесь устанавливать и настраивать репозитории, а также эффективно работать с кодом. Курс состоит из 5 уроков: видео с теорией и практикой, дублирующие лонгриды, а также рекомендации и тренировочные задания для начала самостоятельной работы. Присоединиться 📍 5️⃣Как начать карьеру в Data Science и получить первый оффер? Запись вебинара, в которой подробно разобраны первые шаги в профессию специалиста по Data Science и рассказано, как грамотно выстроить путь к получению первого оффера. Смотреть: Youtube, VK 📍

Препроцессинг данных: ключевые этапы обработки Перед вами стоит задача проанализировать данные? Тогда первое, с чем вы столкнетесь — это таблицы, полные пропусков, дубликатов и разных странных форматов. Прежде чем приступить к анализу и строить графики, данные нужно привести в порядок — то есть, провести препроцессинг. Центр непрерывного образования ФКН приглашает всех принять участие в открытом вебинаре, который пройдет в рамках программы «Аналитик данных». На вебинаре мы ответим на вопросы: 🟣что такое препроцессинг и почему без него нельзя обойтись; 🟣какие этапы подготовки данных пропускать не стоит; 🟣что делать с пропусками, дубликатами и «мусором»; 🟣как привести данные к одному формату и не сломать таблицу; 🟣как проверить, что данные уже готовы к анализу. Все участники получат перечень основных алгоритмов препроцессинга и дорожную карту подготовки данных. 🎙Спикер: Маргарита Бурова, эксперт и академический руководитель программы «Аналитик данных» Центра непрерывного образования ФКН, руководитель edtech-программ по data science и аналитике Wildberries. 📁Когда: 29 июля в 17:30. Регистрация 📍