Прикладной анализ данных и искусственный интеллект

Курсы

Иностранный (английский) язык

Курс разработан в русле коммуникативно-ориентированного обучения иностранным языкам. Его ключевым принципом является ориентация на овладение языком как средством общения в рамках жизненных ситуаций, актуальных для студентов. Особый упор в курсе делается на профессиональную коммуникацию: формируются навыки различных видов чтения (поискового, ознакомительного, просмотрового, аналитического), осуществляется обучение семантико-синтаксического и лексико-грамматического анализа текста и основам перевода текстов по специальности с иностранного (английского) языка на русский, развиваются навыки восприятия на слух монологической и диалогической аутентичной речи в профессиональной сфере, а также совершенствование навыков устной и письменной речи в рамках профессионального общения (в частности, умение сформировать основную идею сообщения, кратко изложить содержание текста).

Высшая математика и введение в статистику

Данный курс объединяет ключевые разделы высшей математики и статистики, предоставляя студентам фундаментальные знания и практические навыки для работы с данными. Слушатели изучат линейную алгебру, включая матрицы, системы уравнений и линейные пространства, а также освоят основные статистические концепции, такие как распределения, гипотезы и регрессионный анализ. Курс начинается с повторения основ и постепенно переходит к более сложным темам, обеспечивая прочную математическую базу. Особое внимание уделяется применению изученных методов в прикладных областях, включая машинное обучение, с использованием статистических пакетов R и Python. В результате студенты научатся формулировать задачи на языке математики и статистики, анализировать данные и интерпретировать результаты. Этот курс необходим для глубокого понимания количественных методов и их эффективного использования.

Основы языка программирования Python

Курс направлен на освоение основ алгоритмизации, а также прикладного программирования с упором на последующую сферу анализа данных.

Слушатели приобретают навыки:

• работы с основными элементами структурного программирования
• декомпозиции задач и структурирования кода
• объектно-ориентированного и функционального программирования
• работы со стандартной библиотекой языка и внешними модулями, формирования своего инструментария для задач автоматизации
• практического применения основных пакетов обработки данных

Практический минимум

Курс посвящен основным видам серверного ПО и серверных ОС на примере Linux, их архитектуре и основным принципам работы.

Слушатели приобретают навыки:

• работы с командной оболочкой bash и набором базовых утилит, доступных в ОС
• написания скриптов автоматизации
• работы с основными протоколами передачи информации в информационных системах
• выстраивания взаимодействий клиент-сервер, взаимодействия через API, межпроцессного взаимодействия
• развертывания ПО как на одиночный сервер, так и на вычислительный кластер

Программирование в R

Курс направлен на освоение основ программирования на языке R с упором на последующую сферу анализа данных.

Слушатели изучают:

• основные способы манипуляции и обработки данных в R
• инструменты data.table и dplyr
• способы визуализации данных в R
• основные принципы tidy data
• инструменты статистических методов в программной среде R-Studio
• создание документов при помощи R Markdown

Машинное обучение и нейронные сети

Курс предоставляет всесторонний обзор современных методов анализа данных, сочетая классические алгоритмы машинного обучения с передовыми технологиями нейронных сетей. Слушатели не только освоят теоретические основы, но и получат практические навыки решения задач классификации, кластеризации и регрессии, применяемые в гуманитарных и социальных науках. Особое внимание уделяется глубокому обучению, включая архитектуры нейронных сетей, методы их обучения и оптимизации. Курс охватывает работу с современными библиотеками машинного обучения (такими как scikit-learn, TensorFlow, PyTorch), позволяя применять изученные методы к реальным данным. Вы научитесь выбирать подходящие модели и метрики качества для конкретных задач анализа данных, а также интерпретировать их результаты. В итоге слушатели смогут самостоятельно разрабатывать и применять модели машинного обучения и нейронные сети для решения исследовательских задач в социогуманитарной сфере.

Обработка естественного языка

Обновленный курс «Обработка естественного языка (NLP)» представляет собой интенсивное погружение в мир современных методов и инструментов для анализа текста. Вы познакомитесь с передовыми подходами, включая нейронные сети и трансформеры, лежащие в основе таких технологий, как ChatGPT.  Научитесь извлекать смысл из текстовых данных, классифицировать тексты, генерировать новый контент и решать другие прикладные задачи NLP.  В процессе обучения вы приобретете практические навыки работы с популярными библиотеками и фреймворками для NLP.  Особое внимание уделяется этическим аспектам и оценке качества моделей. Курс подготовит вас к применению NLP в различных областях, от анализа социальных сетей до разработки интеллектуальных чат-ботов.

 

Визуализация данных

Курс знакомит с основными принципами визуализации разных типов данных, а также формирует практические навыки визуализации.

Слушатели изучают:

• модели визуализации для отображения различных типов данных
• методы визуализации геоданных
• основные принципы проектирования эффективной модели визуализации
• проектирование визуализации с помощью языка Python

Алгоритмы и структуры данных

Курс знакомит слушателей с различными структурами организации данных: массивами, списками, графами, деревьями, хеш-таблицами, а также некоторыми базовыми классами алгоритмов над ними, такими как сортировка, поиск и т.д. Занятия дают понимание вычислительной сложности алгоритмов, а также помогают выработать умение создать заданную структуру данных и ее базовый функционал в выбранном языке программирования.  Студенты научатся выбирать наиболее подходящую структуру данных для конкретной задачи и применять существующие библиотеки для работы со структурами данных, повышая эффективность работы программ, связанных с обработкой больших объемов данных в условиях ограниченных ресурсов по времени / памяти.

Технологии программирования

Курс знакомит студентов с методологией разработки программного обеспечения, включая парадигму объектно-ориентированного программирования, а также шаблоны проектирования. Особое внимание уделяется углублённому знакомству с методологией объектно-ориентированного программирования, получению навыков работы в современных IDE, включая профилирование и отладку, а также приемы рефакторинга, получению навыков работы с трехзвенной архитектурой и архитектурой клиент-сервер, получению навыков веб-разработки, получению навыков развертывания ПО на серверах, пакетирования приложений в различные контейнеры.

Базы данных и SQL

Дисциплина «Базы данных» знакомит слушателей с современным СУБД и организации данных в них, дает представление о реляционной алгебре и реляционных СУБД, о реляционной алгебре и документно-ориентированных СУБД, умение создать схему хранения данных для проекта, получить навыки работы с SQL-подобными языками запросов, сопрягать приложения на Python и С++ с базами данных, умение использовать ORM (Object-Relational Mapping) в программах для работы с СУБД.

Методология научных исследований

Курс призван сформировать у магистрантов системное понимание принципов научного познания в контексте data science. Курс знакомит студентов с основными этапами научного исследования: от постановки проблемы и формулирования гипотез до выбора методов сбора и анализа данных, интерпретации результатов и оформления научной работы. Особое внимание уделяется специфике применения количественных методов и технологий искусственного интеллекта для решения исследовательских задач, а также этическим аспектам работы с данными. Рассматриваются различные исследовательские дизайны, включая экспериментальные и корреляционные исследования. Студенты научатся критически оценивать научные публикации, формулировать собственные исследовательские вопросы и подбирать адекватные методы для их решения в области анализа данных. В результате прохождения курса магистранты приобретут навыки, необходимые для самостоятельного проведения исследований и подготовки публикаций в области прикладного анализа данных и искусственного интеллекта.

Компьютерное зрение

Курс предназначен для студентов с гуманитарным и социальным бэкграундом, желающих освоить передовые методы анализа визуальной информации. Курс начинается с основ обработки изображений и классических методов машинного обучения, а затем плавно переходит к современным архитектурам глубокого обучения, в частности, к моделям на основе трансформеров. Особое внимание уделяется практическому применению, поэтому большая часть курса посвящена написанию кода с использованием библиотеки `transformers` для решения задач классификации изображений, детекции объектов и сегментации. Студенты научатся работать с предобученными моделями, адаптировать их под свои задачи и оценивать качество полученных результатов. Рассматриваются примеры из областей, близких к социогуманитарным исследованиям: анализ изображений в социальных медиа, распознавание эмоций, обработка исторических архивов. По окончании курса студенты смогут самостоятельно разрабатывать и внедрять решения в области компьютерного зрения, применимые к широкому спектру исследовательских и прикладных задач.

Данные и вызовы в общественных науках

Курс предназначен для студентов-гуманитариев, обучающихся прикладной лингвистике и искусственному интеллекту. Курс знакомит с основными типами данных, используемых в социальных исследованиях: административными и правовыми, опросными, а также данными о науке и образовании. Рассматриваются методологические и этические вызовы, связанные с их применением. Студенты освоят практические навыки сбора, обработки и анализа данных с использованием современных IT-инструментов и методов. Особое внимание уделяется интерпретации результатов и их применению в контексте социальных и гуманитарных наук. Преподаватели — практикующие исследователи, работающие на стыке социальных наук и IT. Курс готовит к самостоятельной исследовательской работе и профессиональной деятельности, связанной с анализом данных в социальной сфере.

Генеративный искусственный интеллект

Курс углубляет знания, полученные в курсе «Машинное обучение и нейронные сети», фокусируясь на создании моделей, способных генерировать новые данные: тексты, изображения, аудио и видео. Слушатели изучат различные архитектуры генеративных моделей, включая вариационные автокодировщики (VAE), генеративно-состязательные сети (GAN) и трансформеры, а также методы их обучения и оценки. Особое внимание уделяется применению генеративного ИИ в гуманитарных и социальных науках, например, для создания синтетических данных, стилизации контента и решения творческих задач. Практическая часть курса включает работу с современными библиотеками (такими как TensorFlow, PyTorch) и фреймворками для генерации различных типов данных. Вы научитесь настраивать и оптимизировать генеративные модели, а также оценивать качество и реалистичность сгенерированного контента. В результате слушатели смогут применять технологии генеративного ИИ для решения исследовательских и прикладных задач в своей предметной области, создавая оригинальный контент и расширяя возможности анализа данных.

 

Проектный менеджмент

В курсе вы познакомитесь с современными методологиями управления проектами, такими как Agile и Scrum, адаптированными к специфике разработки и внедрения решений на основе данных и ИИ. Особое внимание уделяется моделированию и оптимизации бизнес-процессов, лежащих в основе проектов, а также инструментам визуализации и контроля этапов реализации. Курс сочетает теоретические основы с практическими кейсами, позволяя вам научиться эффективно планировать, организовывать, контролировать и успешно завершать проекты в области Data Science и AI, независимо от вашего предыдущего опыта. Вы освоите навыки командной работы, управления рисками и ресурсами, а также научитесь принимать обоснованные решения на основе данных в условиях неопределенности. В результате вы будете готовы к роли руководителя проектов или аналитика, способного эффективно управлять сложными технологическими инициативами.

Критический анализ данных

Курс предназначен для студентов магистратуры, желающих углубить знания и навыки, полученные в курсе «Данные и вызовы в общественных науках», с акцентом на количественные методы в социологии. Курс развивает критическое мышление в отношении данных, используемых в социальных исследованиях, обучая студентов оценивать методологические ограничения, потенциальные смещения и этические дилеммы, связанные с различными типами данных и методами их анализа. Особое внимание уделяется интерпретации результатов количественных исследований, выявлению причинно-следственных связей, а также оценке валидности и надежности выводов. Студенты научатся применять продвинутые статистические методы для анализа социальных данных, распознавать манипуляции и некорректное использование статистики в публичном пространстве. Курс предполагает активное участие в дискуссиях, выполнение практических заданий и разработку собственных исследовательских проектов, использующих количественные данные для анализа актуальных социальных проблем. Конечная цель курса — подготовить выпускников к самостоятельной и критически-осмысленной исследовательской работе в области социологии с применением количественных методов.

Безопасность искусственного интеллекта

Завершая цикл технической подготовки, этот курс фокусируется на критически важных аспектах безопасности, возникающих при разработке и применении систем ИИ. Студенты изучат вопросы защиты чувствительных данных, предотвращения утечек информации и обеспечения конфиденциальности.  Будут рассмотрены методы анализа уязвимостей систем ИИ, а также этические и правовые аспекты, связанные с безопасностью. Особое внимание уделяется практическим кейсам и разработке стратегий минимизации рисков, связанных с ИИ.  Цель курса — подготовить специалистов, способных создавать и внедрять надежные и безопасные системы искусственного интеллекта, учитывая как технические, так и социо-гуманитарные аспекты.

Техноэтика

Техноэтика — это междисциплинарная исследовательская область, затрагивающая различные аспекты социальных, культурных и политических последствий развития и использования техники, а также связанная с изучением анализом нормативных практик инновационного развития. Нормативные рамки, определяющие социальные взаимодействия, не являются статичными и трансформируются вместе с развитием технологических инноваций. Таким образом, техноэтика выступает как форма рефлексии со стороны самих разработчиков инноваций, а также как инструмент общественной экспертизы.

В рамках курса планируется рассмотрение широкого круга кейсов, связанных с развитием технологий. Подобная работа направлена на формирование практических навыков анализа моральных дилемм и понимания базовых принципов техноэтики.