Университет ИТМО
import pandas as pd
pd.read_csv()
pd.DataFrame()
from sklearn import metrics
LogisticRegression().
fit(X, y)

Высшая

цифровой

Миссия
Курсы
Сотрудники
Новости
ДПО

школа

культуры

СМИ о нас
Магистерская программа

Университет ИТМО

→

Новости

      Высшая школа цифровой культуры создана в Университете ИТМО в 2018 г. для разработки и реализации блока дисциплин «Цифровая культура», который включает в себя курсы по обработке и хранению данных, статистике, машинному обучению и др.
      Задача блока дисциплин — сформировать навыки работы с данными, которые позволят применять цифровые технологии для решения профессиональных задач и личного комфорта в цифровой среде.

      Миссия

      Функции

      поддержка форумов онлайн курсов
      проведение очных консультаций и контрольных работ
      экспертиза разработанных материалов по дисциплинам
      разработка заданий с автоматизированной системой проверки
      разработка контента лекций для онлайн курсов
      аттестация студентов по дисциплинам блока
      проведение установочных лекций по дисциплинам
      разработка концепции блока дисциплин «Цифровая культура»
      1
      3
      4
      5
      6
      7
      8
      9
      разработка рабочих программ учебных дисциплин
      2
      Применять
      цифровые технологии
      Подготовить
      специалистов
      Модуль позволяет студентам освоить базовые навыки работы  
      с  цифровыми технологиями для решения профессиональных задач.

      В рамках курсов вы изучите ключевые принципы работы с данными и научитесь применять их для решения прикладных задач, а также освоите актуальные инструменты и технологии для комфортного пребывания в цифровой среде.

      Бакалавриат

      Дисциплины

      LogisticRegression().
      fit(X, y) metrics.
      roc_auc_score()
      cv2.imread(path)
      mnist.load_data()
      Введение в цифровую культуру
      +
      Дисциплина разделена на 2 модуля: обязательную и вариативную часть.

      В обязательную часть курса входят лекции по таким направлениям, как архитектура ЭВМ и операционные системы, технологии программирования, сетевые технологии, информационная безопасность, встроенные системы и библиографический поиск. Лекции обязательной части курса знакомят с основными достижениями в области информационно-коммуникационных технологий и дают базовые знания, которые будут полезны в изучении последующих материалов курса.

      Вторая часть курса — вариативная. Мы предлагаем проложить свою индивидуальную траекторию, выбрав наиболее интересные для вас разделы. Здесь и блок лекций, в котором рассматриваются персональные проблемы взаимодействия человека и цифрового общества, такие как цифровая этика, умные вещи, технологии цифровой экономики и блокчейн, культура интернет-коммуникаций. И более технические лекции — цифровое образование, цифровые гуманитарные науки, технологии виртуальной, дополненной и смешанной реальности (VR/AR/MR), социальные сети. И наконец, блок лекций по Python, который поможет прокачать навыки программирования с нуля!
      Трудоемкость дисциплины
      3
      108
      академических часов
      Язык реализации
      Форма занятий
      Смешанное обучение: лекции и упражнения online, семинары и мастер-классы в очном формате
      Форма контроля
      Зачет по результатам выполнения онлайн-упражнений курса
      Описание
      Русский
      зачетных единицы
      Хранение и обработка данных
      +
      Дисциплина состоит из трех модулей: «Введение в обработку и анализ данных», «Основы баз данных» и «Основы NoSQL систем».

      Модуль «Введение в обработку и анализ данных» включает лекции о представлении данных, способах визуализации данных и разведочном анализе. Особое внимание уделяется анализу временных рядов, приемам сглаживания, определения трендов, построения моделей периодических временных рядов.

      Модуль «Основы баз данных» посвящен организации современных баз данных. Подробно рассматриваются вопросы проектирования данных в реляционной модели, составление запросов на языке SQL.

      Модуль «NoSQL-системы» освещает вопросы, связанные с организацией слабоструктурированных и неструктурированных данных. Слушатели знакомятся с технологиями, характерными для этих систем, их классификацией и учатся работать с наиболее популярными хранилищами: «ключ-значение», документными, колоночными и графовыми.

      В ходе изучения дисциплины на продвинутом уровне студенты научатся создавать свои собственные хранилища данных, наполнять хранилища структурами для хранения и поддержки согласованности данных, писать эффективные запросы к данным и управлять механизмом транзакций. Для создания таких хранилищ будет доступен облачный сервис СУБД Postgres Pro Enterprise.


      Трудоемкость дисциплины
      Язык реализации
      Форма занятий
      Смешанное обучение: лекции и упражнения online, семинары и мастер-классы в очном формате
      Форма контроля
      Зачет по результатам выполнения онлайн-упражнений курса
      Описание
      Русский
      3
      108
      академических часов
      зачетных единицы
      Прикладная статистика
      +
      Первая часть предлагаемого курса знакомит слушателей с основными «китами» теории вероятностей: понятиями вероятностного пространства, случайной величины, ее распределения. Эти понятия оказываются незаменимыми как при изучении машинного обучения, так и при построении различных архитектур нейронных сетей. Кроме того, курс осветит такие важные числовые характеристики случайных величин как математическое ожидание (характеристика среднего), дисперсия (характеристика разброса), а также прольет свет на многомерные случайные величины и меры их зависимости.

      Вторая часть курса посвящена прикладной статистике – дисциплине, которая по довольно общему набору данных позволяет определить основные тенденции, тренды в нем. Вместе мы изучим методы построения точечных оценок неизвестных параметров, которые, опять-таки, находят применения в построении функций потерь и обучении методов машинного обучения; обсудим понятие доверительных интервалов и освоим подходы к выдвижению и проверке статистических гипотез.

      При изучении дисциплины на продвинутом уровне вы научитесь строить вероятностные модели и моделировать вероятностные закономерности при помощи языка программирования Python и популярных, общепринятых библиотек: scipy.stats, numpy. Кроме того, вы научитесь применять статистические пакеты для качественного анализа данных и получения статистически значимых выводов.
      Трудоемкость дисциплины
      3
      зачетные единицы
      108
      академических часов
      Язык реализации
      Форма занятий
      Смешанное обучение: лекции и упражнения online, семинары и мастер-классы в очном формате
      Форма контроля
      Зачет по результатам выполнения онлайн-упражнений курса
      Описание
      Русский
      Машинное обучение
      +
      Предлагаемая дисциплина знакомит слушателей с современными подходами к решению задач классического машинного обучения. Вам расскажут про задачи регрессии, классификации и кластеризации, а также про методы их решения; осветят вопросы переобучения, недообучения, регуляризации, инженерии признаков, и многие другие.

      Вы узнаете такие алгоритмы как: мультиномиальная и полиномиальная регрессии, логистическая регрессия, методы k ближайших соседей, опорных векторов, K-средних, их модификации и обобщения. Вы также не оставите без внимания деревья принятия решений, ансамбли моделей, методы понижения размерности и ознакомитесь с подходами к обучению без учителя.

      При изучении дисциплины на продвинутом уровне, вы не только научитесь правильно применять библиотеки из «черных ящиков», но и настраивать параметры алгоритмов, выбирать наиболее удачные алгоритмы оптимизации, осуществлять эффективную предобработку данных и выбор оптимальных признаков для обучения моделей.
      Трудоемкость дисциплины
      3
      зачетные единицы
      108
      академических часов
      Язык реализации
      Форма занятий
      Смешанное обучение: лекции и упражнения online, семинары и мастер-классы в очном формате
      Форма контроля
      Зачет по результатам выполнения онлайн-упражнений курса
      Описание
      Русский

      Дисциплины на выбор

      +
      +
      Основы сетевых технологий (3 курс, V семестр)
      Компьютерная безопасность (3 курс, V семестр)
      +
      Основы информационного поиска (3 курс, V семестр)
      Основы информационного поиска (3 курс, V семестр)
      Основы информаци-онного поиска (3 курс, V семестр)
      Основы информационного поиска (3 курс, V семестр)
      Курс знакомит слушателей с основными задачами информационной безопасности, которые могут быть решены с применением методов машинного обучения. Вы узнаете основные понятия и направления информационной безопасности, познакомитесь с основными подходами и алгоритмами на примере решения задач защиты информации. На примере решения задач из области информационной безопасности научитесь предсказывать и выявлять сетевые атаки, проводить анализ спама, настраивать алгоритмы биометрической идентификации, анализировать и выявлять вирусы и пр. В том числе курс включает в себя изучение вопросов безопасности систем и методов машинного и глубокого обучения, а также возможности проведения атак на такие системы.

      После окончания курса вы научитесь применять основные методы машинного обучения (регрессию, классификацию и кластеризацию) к решению задач информационной безопасности.

      Пререквизиты: Машинное обучение

      Авторы курса: Воробьева Алиса Андреевна (доцент факультета безопасности информационных технологий), Коржук Виктория Михайловна (ассистент факультета безопасности информационных технологий) и другие.

      Трудоемкость дисциплины: 3 зачётных единицы, 108 академических часов

      Форма контроля: зачет. Выполнение упражнений каждой недели курса с минимальным порогом 60%, выполнение итогового задания с минимальным порогом 60%.
      Курс предназначен для тех, кто начинает свое знакомство с сетевыми технологиями, или хочет обобщить свой существующий практический опыт. После прохождения курса у учащегося появится представление о принципах и архитектурах сетевой коммуникации на примере стека TCP\IP. В курсе рассмотрены следующие вопросы:
      Пререквизиты: Начальные навыки работы в консоли Linux (вызов команд, редактирование файлов, получение встроенной справки). Владение двоичной системой счисления, битовыми логическими операциями. Владение базовыми понятиями теории графов.

      Автор курса: Береснев Артем Дмитриевич (старший преподаватель факультета инфокоммуникационных технологий)

      Трудоемкость дисциплины: 3 зачётных единицы, 108 академических часов

      Форма контроля: зачет
      Модель OSI, архитектура стека, принципы сетевой коммуникации;
      Локальные сети на примере протоколов IEEE 802.3 (ETHERNET);
      Коммуникационное оборудование Ethernet, коммутаторы L2 и L3, наиболее востребованные функции коммутаторов;
      Архитектура стека TCP\IP;
      Протоколы IPv4 и IPv6;
      Основы маршуртизации и трансляции адресов;
      Работа протоколов TCP и UDP;
      Архитектура и принципы работы DNS;
      Предусмотрены практические задания на ОС Linux;
      Предполагаемая продолжительность курса 10 недель.
      Курс знакомит слушателей с алгоритмами и инструментами для обработки текстов на естественном языке. После краткого введения в историю области будут рассмотрены подходы, работающие с языком на разных уровнях: от токенизации до синтаксического разбора. Основное внимание будет уделено подходам на основе машинного обучения по данным.

      По окончании курса вы будете иметь представление о ландшафте методов современного автоматического анализа текста и опыт использования нескольких наиболее важных инструментов. В том числе pymorphy2, mystem, NLTK, scikit-learn, UDPipe и др.

      Курс по-своему уникален: его подготовкой занимались специалисты по компьютерной лингвистике и прикладной обработке текстов, у каждого из которых свой взгляд на обработку языка как науку — и на свою область экспертизы.

      Пререквизиты: Минимальный уровень подготовки: основы линейной алгебры, основы классической вероятности, основы алгоритмов и программирования, владение русским или английским языками.

      Автор курса: Антон Михайлович Алексеев (Computer Science Center, Steklov Institute of Mathematics at St. Petersburg)

      Трудоемкость дисциплины: 3 зачётных единицы, 108 академических часов

      Форма контроля: зачет
      +
      Компьютерное зрение (3 курс, VI семестр)
      +
      Обработка изображений (3 курс, V или VI семестр)
      +
      Интернет вещей
      (3 курс, V семестр)
      Основная цель курса — предоставить слушателю базовые знания, необходимые для понимания концепции Интернета Вещей. В результате прохождения курса слушатели узнают основные цифровые технологии и алгоритмы в рамках концепции Интернета вещей, научатся отбирать технологии работы с информацией в зависимости от класса задач в данной области, получат навыки владения технологиями программирования и конфигурирования сетевого взаимодействия Интернета вещей.
      Итоговая аттестация — выполнение упражнений каждой недели курса с минимальным порогом 50%, выполнение итогового зачета (очно или с прокторингом) с минимальным порогом 50%.

      Пререквизиты: базовые навыки программирования.

      Авторы курса: Муромцев Дмитрий Ильич, Шматков Владислав Николаевич, Орипова Азиза Алишеровна.

      Трудоемкость дисциплины: 3 зачётных единицы, 108 академических часов

      Форма контроля: зачет.
      Курс знакомит слушателей с основными алгоритмами анализа изображений. Вы узнаете о различных способах цифрового представления изображений, цветовых моделях. Будут рассмотрены преобразования изображений (яркостные, цветовые) и фильтрация (пространственная, частотная) изображений. В результате прохождения курса, слушатели узнают о применении различных видов нейронных сетей (AlexNet, ResNets, VGGs, Inception) для классификации изображений, а также о двухфазных и однофазных алгоритмах: YOLO, SSD, Mask-R-CNN.
      Пререквизиты: Курс машинного обучения, курс по нейронным сетям, основы программирования.

      Автор курса: Наталья Васильева (Computer Science Center, HP Labs)

      Трудоемкость дисциплины: 3 зачётных единицы, 108 академических часов

      Форма контроля: зачет
      На курсе рассматриваются основные задачи из области компьютерного зрения, вокруг которых сконцентрировано внимание научного сообщества и промышленности. В рамках данного курса изучаются наиболее распространенные современные методы решения рассматриваемых проблем.
      Пререквизиты: математическая статистика, вычислительные методы и анализ данных, а также общая подготовка в области математического анализа, линейной алгебры и дифференциальной геометрии.

      Автор курса: Алексей Самарин, "ВКонтакте"

      Трудоемкость дисциплины: 3 зачётных единицы, 108 академических часов

      Форма контроля: зачет
      +
      +
      +
      Методы искусственного интеллекта (3 курс, VI семестр)
      Анализ социальных сетей (3 курс, VI семестр)
      Методы криптографии (3 курс, VI семестр)
      Данный курс познакомит слушателей с основами криптографии. Будут рассмотрены некоторые исторические шифры, лежащие в основе современных криптоалгоритмов. Современные алгоритмы шифрования: стандарты шифрования DES, AES, ГОСТ 28147-89, GSM, асимметричные алгоритмы шифрования и математические задачи, на которых они основываются (алгоритм RSA, криптосистема рюкзак). Поговорим о гибридных криптосистемах, также рассмотрим алгоритмы подписи, идею криптографических хэш-функций и немного поговорим о криптоанализе.
      Курс предполагает 8 лекций, выполнение практических занятий.

      Пререквизиты: Теория чисел, дискретная математика, желательно знание основ программирования.

      Автор курса: к. ф. м.-н., доцент Левина Алла Борисовна

      Трудоемкость дисциплины: 3 зачётных единицы, 108 академических часов

      Форма контроля: зачет
      В курсе рассматриваются виды социальных сетей, задачи анализа и классификации. Слушатели познакомятся с методами сбора, извлечения и агрегирования информации из социальных сетей. Научатся решать различного рода задачи, в том числе на определение параметров пользователя по социальному графу, определение компонент связности, перекрывающиеся сообщества, построение остовного дерева.
      Пререквизиты: Уверенные навыки программирования, основы теории графов

      Авторы курса: Андрей Кузнецов (Мейл.ру)

      Трудоемкость дисциплины: 3 зачётных единицы, 108 академических часов

      Форма контроля: зачет
      В курсе освещаются основные достижения искусственного интеллекта в различных сферах человеческой деятельности. Будет рассмотрено применение основных технологий, лежащих в основе ИИ, включая онтологии и графы знаний, нейронные сети, технологии дополненной реальности, компьютерное зрение и многое другое. Цель курса — дать представления о том, как современные технологии трансформируют сферы деятельности человека: от распознавания речи, биометрии и информационной безопасности, до пассажирских перевозок и сегмента потребительских товаров и услуг.
      Авторы курса: сборный курс от нескольких авторов

      Трудоемкость дисциплины: 3 зачётных единицы, 108 академических часов

      Форма контроля: зачет
      +
      +
      Обработка сигналов (3 курс, VI семестр)
      Теория массового обслуживания (3 курс, VI семестр)
      Дисциплина рассматривает теоретические и практические вопросы проектирования и моделирования систем массового обслуживания, применение математических методов при решении задач оптимизации компьютерных сетей, систем связи, технических систем и экономических процессов, в которых возникают задержки в обслуживании или очереди, реализации их моделей с использованием математических пакетов программ. В курсе рассматриваются одноканальные и многоканальные СМО как с ограничением, так и без ограничения на длину очереди.
      Автор курса: Лукина Марина Владимировна (старший преподаватель, факультет систем управления и робототехники)

      Трудоемкость дисциплины: 3 зачётных единицы, 108 академических часов

      Форма контроля: зачет
      Современность отличает мощный процесс цифровизации почти всех сфер деятельности человека. Информационные технологии проникают повсеместно. Аналоговая обработка сигналов почти полностью вытесняется цифровой, практика перевода сигнала в цифровую форму и дальнейшие манипуляции с ним уже «в цифре» является сейчас доминирующей при работе с сигналами самой различной природы. Сегодня цифровая обработка сигналов (digital signal processing — DSP, ЦОС) является ядром множества видов новейших цифровых разработок и различных приложений в информационном обществе (например, цифровая мобильная связь, цифровые видеокамеры, телевидение и системы звукозаписи). Курс нацелен на изучение цифровой обработки сигналов, а методы, рассмотренные в нем, являются универсальными.
      Необходимые для понимания и освоения курса знания включают в себя университетские программы высшей математики, программирования и работы с математическим пакетом MATLAB в объёме первого и второго годов обучения. В ходе освоения курса происходит знакомство не только с теоретической базой, но также осваиваются практические навыки анализа и трансформации цифровых сигналов при помощи системы MATLAB. Задания, даваемые после лекций, направлены на отработку этих теоретических и практических навыков анализа и фильтрации дискретных и цифровых сигналов во временной и частотной областях, построения КИХ- и БИХ-линейных систем (систем с конечной (КИХ) и бесконечной (БИХ) импульсной характеристикой), а также навыки компьютерной обработки изображений.
      Пререквизиты: университетские курсы высшей математики, программирования и работы с математическим пакетом MATLAB в объёме первого и второго годов обучения

      Автор курса: Орлов Алексей Анатольевич (научный сотрудник, физико-технический факультет)

      Трудоемкость дисциплины: 3 зачётных единицы, 108 академических часов

      Форма контроля: зачет
      Модуль позволяет студентам освоить продвинутые навыки работы с цифровыми технологиями для решения профессиональных задач.

      В рамках дисциплин вы изучите ключевые принципы работы с данными и научитесь применять их для решения прикладных задач, а также освоите актуальные инструменты и технологии для комфортного пребывания в цифровой среде.

      Магистратура

      Прикладной искусственный интеллект. Дисциплины

      cv2.imread(path)
      mnist.load_data()
      pca.fit_transform
      (X_train)
      +
      +
      +
      Элементы статистики
      Первичная обработка данных
      Введение в машинное обучение (инструменты)
      Раздел Первичная обработка данных научит базовым приемам работы с данными – виды и источники данных, оценка и улучшение качества данных, преобразование и подготовка данных к разведочному анализу. Изучаются методы визуализации данных, описательные статистики, методы нормировки данных, построение целевых функций и работа с временными рядами.
      Раздел Элементы статистики знакомит с практическими навыками статистической обработки данных, которые могут быть применены для решения аналитических задач и в личной, и в профессиональной сфере. Рассматриваются важнейшие понятия теории вероятностей, на которых основаны многие статистические конструкции и выводы. Повествуется о том, что такое случайное событие и случайная величина, обсуждается построение функции распределения и вычисление вероятности наступления различных событий, рассматриваются важнейшие распределения, встречающиеся в жизни на каждом шагу. Также приводятся примеры работы с выборкой и оценки важнейших параметров генеральной совокупности таких, как: математическое ожидание, дисперсия, плотность распределения, корреляция двух случайных величин, а также свойства этих оценок. Кроме того, студенты научатся построению доверительных интервалов для оценок параметров различных распределений: слушатели узнают, насколько оценки, полученные по выборке, точны, и пригодно ли их использовать в реальных задачах. В завершении рассматривается важнейшая задача проверки гипотез, где основное внимание обращается на критерии согласия.
      Раздел Введение в машинное обучение (инструменты) знакомит слушателей с видами машинного обучения, демонстрирует практические примеры решения задач при помощи методов машинного обучения с использованием инструментов, не требующих знаний программирования. Основное внимание уделяется решению задач регрессии, задачам классификации и кластеризации.
      +
      +
      +
      Статистика на R
      Методы прикладного искусственного интеллекта
      Хранение больших данных
      Раздел Методы прикладного искусственного интеллекта знакомит слушателей с методами и технологиями инженерии знаний, интеллектуальными технологиями обеспечения безопасности, включая биометрию, предсказание уязвимостей, управление киберпространством. Рассматривается применение искусственного интеллекта в обработке звуков, изображений (машинное зрение и слух, распознавание видео и аудио образов) и текстов.
      Раздел Статистика на R предлагает рассмотрение некоторых практических навыков статистической обработки данных с использованием языка программирования R, которые могут быть применены для решения аналитических задач и в личной, и в профессиональной сфере. В разделе рассматриваются важнейшие понятия теории вероятностей, на которых основаны многие статистические конструкции и выводы. Повествуется о том, что такое случайное событие и случайная величина, обсуждается построение функции распределения и вычисление вероятности наступления различных событий, рассматриваются важнейшие распределения, встречающиеся в жизни на каждом шагу. Также приводятся примеры работы с выборкой и оценки важнейших параметров генеральной совокупности таких, как: математическое ожидание, дисперсия, плотность распределения, корреляция двух случайных величин, а также свойства этих оценок. Кроме того, студенты научатся построению доверительных интервалов для оценок параметров различных распределений: слушатели узнают, насколько оценки, полученные по выборке, точны, и пригодно ли их использовать в реальных задачах. В завершении рассматривается важнейшая задача проверки гипотез, где основное внимание обращается на критерии согласия.
      Раздел Хранение больших данных научит организовывать хранение больших данных с помощью реляционных СУБД и NoSQL хранилищ. Изучаются методы проектирования структур данных, языки запросов к данным и приемы обработки структурированных и слабоструктурированных данных.
      +
      +
      +
      Автоматическая обработка текстов
      Продвинутое машинное обучение (Python)
      Введение в машинное обучение (Python)
      Раздел Введение в машинное обучение (Python) знакомит слушателей с видами машинного обучения, демонстрирует практические примеры решения задач при помощи методов машинного обучения с использованием языка программирования Python. Основное внимание уделяется решению задач регрессии, задачам классификации и кластеризации.
      Раздел Продвинутое машинное обучение (Python) знакомит слушателей с методами снижения размерности набора признаков и методами факторного анализа. Рассматривается метод опорных векторов и деревья принятия решений, ансамбли моделей, а также еще одна ветка машинного обучения — обучение с подкреплением.
      В разделе Автоматическая обработка текстов слушатели познакомятся с алгоритмами и инструментами для обработки текстов на естественном языке. После краткого введения в историю области рассматриваются подходы, работающие с языком на разных уровнях: от токенизации до синтаксического разбора. Основное внимание будет уделено подходам, которые работают с данными на основе машинного обучения. По окончании раздела вы будете иметь представление о ландшафте методов современного автоматического анализа текста и опыт использования нескольких наиболее важных инструментов. В том числе pymorphy2, mystem, NLTK, scikit-learn, UDPipe и др. Кроме того, студенты познакомятся с тем, как методы автоматической обработки текстов используются непосредственно в промышленности. Студенты научатся быстро и с интересом проектировать и разрабатывать собственных умных чат-ботов на платформе JAICP (компании Just AI).
      +
      +
      +
      Социальные сети
      Глубокое обучение
      Обработка изображений
      Раздел Обработка изображений знакомит слушателей с основными алгоритмами анализа изображений. Вы узнаете о различных способах цифрового представления изображений, цветовых моделях. Будут рассмотрены преобразования изображений (яркостные, цветовые) и фильтрация (пространственная, частотная) изображений. В результате прохождения курса, слушатели узнают о применении различных видов нейронных сетей (AlexNet, ResNets, VGGs, Inception) для классификации изображений, а также о двухфазных и однофазных алгоритмах: YOLO, SSD, Mask-R-CNN.
      Раздел Глубокое обучение знакомит слушателей с миром нейронных сетей. В ней обсуждаются отличия нейросетевого подхода от подхода классического машинного обучения, рассказывается про перцептрон, полносвязный нейронные сети, сверточные и рекуррентные архитектуры; обсуждается глубокое обучение с подкреплением, GANы, а также практические аспекты обучения: аугментация данных, тюнинг параметров, дропаут, оптимизация и многое другое.
      Раздел Социальные сети рассматривает виды социальных сетей, задачи анализа и классификации. Слушатели познакомятся с методами извлечения и агрегирования информации из социальных сетей. Научатся решать различного рода задачи, в том числе предложение друзей для пользователя, поиск негативных высказываний, поиск упоминаний компаний и людей.
      +
      Компьютерное зрение
      Раздел Компьютерное зрение рассматривает основные задачи из области компьютерного зрения, вокруг которых сконцентрировано внимание научного сообщества и промышленности: задачи классификации, сегментации, детектирования объектов. В рамках данного раздела изучаются наиболее распространенные современные методы решения рассматриваемых проблем.

      Магистерская программа
      аналитика данных

      Программа готовит специалистов в области Data Science. Во время обучения вы узнаете, как создавать, адаптировать и применять методы анализа данных к самым разным предметным областям. Изучите методы машинного обучения, анализ временных рядов, интеллектуальный анализ текстов на естественном языке, изображений, звуков и компьютерное зрение.

      Выпускники программы работают в различных областях, где применяются технологии обработки больших объемов данных методами статистического анализа, машинного обучения и нейронных сетей.
      Программа магистратуры «Аналитика данных»
      ПОДРОБНЕЕ →

      Дополнительное
      профессиональное
      образование

      Технологии анализа данных, 287 часов
      Записаться на курс
      Записаться на курс
      Технологии анализа данных, 287 часов
      Это вид профессионального образования, которое можно получить в дополнение к основному. Курсы ДПО от ИТМО доступны для прохождения всем желающим. Для организаций, готовых направить на обучение более 20 человек, может быть разработана индивидуальная программа обучения
      Архитектор данных, 288 часов
      О курсе
      Архитектор данных, 288 часов
      О курсе
      КАКАЯ ПРОГРАММА МНЕ ПОДОЙДЕТ?
      Записаться на курс
      Аналитик данных, 252 часа
      Аналитик данных, 252 часа
      О курсе
      Программы профессиональной переподготовки в области IT
      для участников проекта «Цифровые кафедры»
      Оставить заявку
      Программы профессиональной переподготовки в области IT
      для участников проекта «Цифровые кафедры»

      Подробнее

      Отзывы Слушателей о курсах ДПО

      ВСЕ ОТЗЫВЫ →
      Оставьте отзыв о пройденном курсе
      ЗНАНИЯ
      ОПЫТ

      сотрудники

      Михайлова Елена Георгиевна
      кандидат физико-математических наук, доцент, директор ВШЦК
      кандидат физико-математических наук, доцент
      кандидат филологических наук, доцент
      Егорова Ольга Борисовна
      кандидат физико-математических наук, доцент
      Волчек Дмитрий Геннадьевич
      кандидат технических наук, доцент
      Графеева Наталья Генриховна
      Романов Алексей Андреевич
      кандидат технических наук, доцент
      Бойцев Антон Александрович
      ЭКСПЕРТИЗА
      кандидат физико-математических наук, доцент
      Токман Мария Александровна
      кандидат физико-математических наук, доцент
      Азимов Рустам Шухратуллович
      кандидат технических наук, доцент, старший научный сотрудник Центра искусственного интеллекта МТС
      Малых Валентин Андреевич
      кандидат физико-математических наук, доцент, главный аналитик ПАО «Газпром нефть»
      Аббакумов Вадим Леонардович
      старший преподаватель
      Самарин Алексей Владимирович

      СМИ О НАС