Учебные курсы: 2023/2024 учебный год

Программа учебной дисциплины «Agile Basics: Product Management and Teamwork»

• History of project management

• Project management

• Agile: Scrum

• Agile: Kanban

• Product thinking

• Product strategy

• Agile teams: structure and roles

• Agile ceremonies

• Agile pitfalls

• Methodologies beyond Agile

Программа учебной дисциплины «Процесс-майнинг»

• Знакомство с целями и требованиями к анализу. Методология проведения исследования. Основные процессные нотации – граф, BPMN
•  Бэнчмарки, глубинный поиск причин. Анализ SLA. Углубление в причины "пинг-понга-а"
• Техники углубленного анализа, анализ дополнительных атрибутов
• Инструменты ML для анализа процессов
• Введение в Process Mining. Python-библиотека SberPM
• Roadmap PM исследований. Автоинсайты. Поиск аномалий
• NLP
• Прогнозирование. AutoML
• Happy path. RL. AutoRL
• Факторные анализы. Соревновательные модели. Обзор ML-задач для Process Mining с «продвинутым» стеком
• Платформа SberPM

Программа учебной дисциплины «Количественные финансы»

• Математические аспекты моделирования
• Моделирование финансовых рынков и корпоративные финансы
• Оценка стоимости деривативов в однопериодной модели
• Оценка стоимости деривативов в непрерывной модели
• Формула Блэка-Шоулса
• Моделирование базовых контрактов
• Модели локальной и стохастической волатильности
• Численные методы для оценки стоимости деривативов
• Поправки XVA
• Трейдинг, микроструктура рынка и транзакционные издержки

Программа учебной дисциплины «Введение в Process Mining»

• Знакомство с целями и требованиями к анализу. Методология проведения исследования.
• Основные процессные нотации – граф, BPMN.
• Знакомство с Process Mining платформой. Навигация в инструменте, построение виджетов
• Классические процессные неэффективности.
• Классификации зацикленности. Классификации необязательных этапов. Особенности из идентификации и устранения. 
• Классификации "бутылочных горлышек". Классификации не стандартизированных этапов. Особенности из идентификации и устранения. 
• Бэнчмарки, глубинный поиск причин. Анализ SLA. Углубление в причины "пинг-понга-а"
• Техники углубленного анализа, анализ дополнительных атрибутов.
• Инструменты ML для анализа процессов. 

Программа учебной дисциплины «Практический курс по Process Mining»

• Введение в Proceess Mining. Майнеры. Знакомство с платформой. 
• Process Mining в процессах В2С
• Process Mining в процессах В2В
• Process Mining в HR
• Process Mining в IT
• Process Mining в закупках и сервисах.
• Process Mining в анализе операционных рисков
• Process Mining в юридических службах
• Process Mining в финансах
• Process Mining в маркетинге
• Process Mining  в продажах
• Machine Learning в Process Mining

Программа учебной дисциплины «Машинное обучение в Process Mining»

• Введение в Proceess Mining. Знакомство с библиотекой SberPM
• Автоматическое Process Mining исследование с помощью AI. Майнеры
• Роадмэп проведения исследования PM с помощью библиотеки (зацикливания, долгие этапы, редкие этапы). Поколения систем автоматического поиска инсайтов.
• Факторные анализы (shap, permutation importance)
• Рекомендательная система приоретизации этапов процесса для реинжениринга
• NLP. Стеминг. Лемматизация. Получение эмбедингов. Суммаризация. Кластеризация. Сентиментный анализ
• Прогнозирование тренда сетевого графа, прогнозирование следующего этапа процесса. AutoML
• Happy path. RL. AutoRL. Принципы применения RL для Process Mining, выбор среды (интерпритируемая, не интерпритируемая),  Q-learning, кросс-энтрапия, генетические анлгоритмы, кроссэнтропия, особенности подбора гиперпараметров, Decision Making
• Платформа SberPM 

Программа учебной дисциплины «Change Management in Changing World»

• History of change management
• Systems thinking
• Lean Change Management and Lean Startup Methodology
• Prosci's PCT and ADKAR Models
• Agile Change Management
• Types of Organizational Changes and Strategies to succeed
• Future of Change management: AI Transformation and beyond

Программа учебной дисциплины «Управление банком и банковскими рисками»

• Введение в банкинг
• Банк. Отчетность и основные финансовые показатели
• Риск ликвидности. Базовые понятия
• Процентный риск. Базовые понятия
• Моделирование типовых продуктов банка
• Управление капиталом
• Рыночные риски
• Валютный риск
• Управление балансом и балансовыми рисками
• Уроки кризисов и актуальные тренды

Программа учебной дисциплины «Архитектура вычислительных систем»

• Архитектуры вычислительных систем (ВС). Основные понятия и определения.

• Поддержка однозначного выполнения операций. Системы типов. Отображение на архитектурные решения

• Представление данных в вычислительных системах

• Архитектура уровня системы (набора) команд. Классификация архитектур

• Особенности CISC архитектур на примере процессоров компании Intel . Архитектура процессоров семейства x86

• Особенности RISC архитектур. Архитектуры и системы команд процессоров ARM и RISC-V

• Уровень микроархитектуры. Структурные решения, обеспечивающие повышение эффективности на уровне системы команд

• Архитектура уровня операционной системы. Основные функции, обеспечивающие поддержку уровня системы команд. Стандарт POSIX

• Архитектуры параллельных вычислительных систем. Основные структурные решения и концепции

• Многопоточные архитектуры и многопоточное программирование

• Многопроцессные архитектуры и распределенные вычисления

• Специализированные параллельные архитектуры

• Альтернативные пути развития архитектур параллельных вычислительных систем

Программа учебной дисциплины «Машинное обучение»

• Понимание принципов работы нейронных сетей

• Знает основные метрики качества для регрессии и классификации

• Знает принципы построения композиций моделей

• Знает теоретические основы линейных и логических методов машинного обучения

• Умеет обучать основные модели машинного обучения, оценивать их качества

• Знает основные понятия и постановки задач машинного обучения

• Умеет выполнять кластеризацию и визуализацию данных

• Знает основные метрики качества для регрессии и классификации

• Знает принципы построения композиций моделей

• Умеет выполнять полный цикл построения модели

• Умеет обучать основные модели машинного обучения, оценивать их качества

Программа учебной дисциплины «Проектирование архитектуры программных систем»

• Вводная лекция. Определение архитектуры программной системы

• Визуальное моделирование и работа с требованиями

• Анализ и проектирование 1

• Анализ и проектирование 2

• Документирование архитектуры программных систем

• Организационные вопросы проектирования. Процессы разработки

• Чтение архитектуры. Развитие архитектуры

• Работа с требованиями по атрибутам качества системы

• Шаблоны проектирования

• Классические архитектурные стили

• Архитектура сетевых и распределенных систем

• Архитектурные стили корпоративных приложений

• Сервис-ориентированные архитектуры

• Облачные архитектуры

• Защищенность и безопасность. Работа архитектора - командная. Заключительные замечания

Программа учебной дисциплины «Программирование на С#»

• Введение. О языках программирования и дисциплине (классификация языков, парадигмы программирования)

• Принципы программирования на основе платформы .Net

• Данные и типы

• Операции и операторы

• Процедурная парадигма программирования

• Массивы в C#

• Регулярные выражения

• Методы как основа реализации функциональных членов класса

• Класс как тип. Объекты и их члены

• Наследование классов

• Отношения между классами: вложение, композиция, агрегация

• Исключения

• Перегрузка операций

• Интерфейсы

• Абстрактные типы данных

• Перечисления и структуры – типы значений

• Делегаты

• Анонимные методы, лямбда-выражения

• События

• Обобщенное программирование

• Потоковый ввод-вывод. Работа с файловой системой

• Сериализация

• Небезопасный код и препроцессорные директивы C#. Рефлексия и атрибуты

• Коллекции и итераторы

• Язык интегрированных запросов LINQ и элементы функционального программирования

• Основы объектно-ориентированного проектирования

• Асинхронные методы и параллельные программы

Программа учебной дисциплины «Основы программирования на С++»

• Введение в программирование на языке C++

• Функции в языке С++

• STL

• Потоковый ввод-вывод

• Компиляция программ на языке C++

• Введение в ООП на С++

• Динамическое выделение памяти

• Итераторы

• Шаблоны типов

• Временные объекты

Программа учебной дисциплины «Разработка и анализ требований»

• Приемы формулирования требований

• Определение бизнес-требований

• Выявление требований

• Документирование требований

• Моделирование требований

• Определение приоритетов требований

• Утверждение требований

• Повторное использование требований

• Требования в проектах определенных классов

• Управление требованиями

• Совершенствование процессов работы с требованиями

• Требования к программному обеспечению и управление рисками

• Деловая игра "Разработка и анализ требований к программному обеспечению".

Программа учебной дисциплины «Алгоритмы обработки больших данных»

• Введение в MPP системы
• Введение в Apache Spark
• Форматы хранения данных, Hive, YARN
• SPARK Основы
• SPARK Оптимизация
• SPARK Streaming
• ML на больших данных

Программа учебной дисциплины «Анализ данных с временной структурой»

• Гауссовские линейные авторегрессионные модели. Основные понятия. AR, ARMA, ARIMA, SARIMA, ARCH, GARCH. Свойства, подбор параметров, проверка корректности

• Построение автоматизированного пайплайна для решения задачи регрессии на данных с временной структурой. Компоненты. Особенности. Проверка эффективности

• Задача выявления аномалий в данных с временной структурой. Задача выявления разладки временного ряда

• Построение признакового пространства. Основные понятия задачи выделения значимых факторов

• Фильтрационные методы выделения значимых факторов. Начала информационной теории. Совместная информация, трансфертная энтропия

• Марковские цепи. Monte Carlo Markov Chain

• Фильтр Калмана

Программа учебной дисциплины «Анализ текстов. Генеративные модели»

• Введение

• Методы сбора и хранения данных

• Частотный анализ текстов

• Морфологический анализ и разрешение неоднозначности

• Синтаксический анализ. Универсальные зависимости

• Лексический анализ. Выделение ключевых слов и словосочетаний. Исправление опечаток

• Векторная модель

• Классификация текстов

• Классификация последовательностей

• Языковое моделирование

• Машинный перевод. Трансформеры

• Предобученные модели

• Большие языковые модели

• Инструктивное дообучение и обучение с подкрепление на основе обратной связи от людей

• Суммаризация текстов, вопросно-ответные системы

• Информационный поиск

• Мультимодальная обработка текстов

Программа учебной дисциплины «Bayesian Methods for Data Analysis»

• A Bayesian approach to probability theory. Full Bayesian inference

• Bayesian model selection. Probabilistic interpretation of linear and logistic regression models

• EM algorithm

• Variational approach

• Monte Carlo methods for Markov chains (MCMC)

• Stochastic variational inference. Variational autoencoder

• Diffusion models. Normalization flows. Score-matching

Программа учебной дисциплины «Введение в случайные процессы и симуляционные модели, основанные на стохастических дифференциальных уравнениях»

• Базовые понятия теории вероятностей и математической статистики

• Случайные процессы – основные определения, примеры. Пуассоновский процесс

• Винеровский процесс. Марковское свойство. Основные теоремы. Момент остановки

• Условное математическое ожидание. Мартингал – определение, свойства. Мартингальная (риск-нейтральная) мера

• Основы стохастических дифференциальных уравнений. Лемма (формула) Ито. Схема Эйлера-Муроямы

• Основы теории риск-нейтрального оценивания. Риск-нейтральная (мартингальная) мера и физическая мера. Теорема Гирсанова

• Основные понятия операций на финансовых рынках и рыночных рисков. Квантильные метрики – VaR и PFE. Симуляционные модели для рыночных риск-факторов

Программа учебной дисциплины «Глубинное обучение»

• Введение в глубинное обучение

• Обучение нейронных сетей. Алгоритм обратного распространения ошибки

• Функции активации. Инициализация весов

• Оптимизация. Регуляризация

• Сверточные нейронные сети

• Рекуррентные нейронные сети

• Механизм внимания, трансформеры

• Глубинное обучение и Computer Vision

• Глубинное обучение и Natural Language

• Processing

• Генеративные модели

Программа учебной дисциплины «Запуск ML моделей в промышленной среде»

• Введение в MLOps, структура общего пайплайна работы модели

• Работа с кодом: зависимости, poetry, культура кода, паттерны, линтеры, форматеры, треды и процессы, IPC

• Архитектуры взаимодействия с веб-сервисом: немного о сетях, REST API, gRPC, поток и батч

• Построение веб сервиса на Python: Flask, FastAPI, Swagger, Streamlit, Bootstrap

• Версионирование кода и артефактов

• Виртуализация и промышленный кластер: Docker, Kubernetes

• Тестирование и документирование: pytest, виды тестирования

• Автоматизация тестирования и запуска моделей: Airflow, Kubeflow, MLFlow, Neptune, Gitlab, Jenkins

• Версионирование и валидация данных: DVC, тесты

• Мониторинг работы системы: Prometheus, Grafana

• Потоки данных: Kafka, Flink, Feature Store

• Развертывание приложения: виды развертывания, Ansible + Terraform

• Облачные технологии: Heroku, AWS, Azure, Google Cloud, Sber Cloud, Yandex Cloud

Программа учебной дисциплины «Имитационное моделирование финансово-экономических систем»

• Владеть навыками разработки имитационных моделей, основанных на использовании современных методов имитационного моделирования и интегрированных с различными источниками данных

• Знать основные классы и принципы построения информационных систем, применяемых для практической реализации методов имитационного моделирования

• Знать основные классы и принципы построения информационных систем, применяемых для практической реализации методов имитационного моделирования

• Знать основные методы имитационного моделирования, включая методы системной динамики, агентного моделирования, дискретно-событийного моделирования, вероятностного моделирования и др.

• Знать характеристики рынка систем имитационного моделирования (ИМ) и перспективы развития систем ИМ

• Уметь применять системы имитационного моделирования для решения задач прогнозирования, сценарного (ситуационного) моделирования и анализа, интеллектуальной обработки данных, поиска оптимальных управленческих решений, оценки влияния рисков

Программа учебной дисциплины «Машинное обучение»

• Понимание принципов работы нейронных сетей

• Знает основные метрики качества для регрессии и классификации

• Знает принципы построения композиций моделей

• Знает теоретические основы линейных и логических методов машинного обучения

• Умеет обучать основные модели машинного обучения, оценивать их качества

• Знает основные понятия и постановки задач машинного обучения

• Умеет выполнять кластеризацию и визуализацию данных

• Знает основные метрики качества для регрессии и классификации

• Знает принципы построения композиций моделей

• Умеет выполнять полный цикл построения модели

• Умеет обучать основные модели машинного обучения, оценивать их качества

Программа учебной дисциплины «Обучение с подкреплением»

Программа учебной дисциплины «Основы риск-менеджмента»

• Основы риск-менеджмента

• Меры риска

• Основы финансовых вычислений

• Оценка рыночного риска.

• Подготовка и защита проекта по рыночному риску

• Кредитные риски и их оценка

• Риск корпоративного портфеля

• Риск розничного портфеля

• Кредитный риск операций с финансовыми инструментами

• Подготовка и защита проекта по кредитному риску

Программа учебной дисциплины «Программирование на Python и работа с Linux»

• Основы Linux

• Введение в Python

• Файлы и модули

• Объекты

• ООП

• Параллельные и распределенные вычисления

• Web-фреймфорки и работа API

Программа учебной дисциплины «Рекомендательные системы»

• Введение в рекомендательные системы

• Матричные факторизации и коллаборативная фильтрация.

• Контентные и гибридные рекомендательные модели

• Нейросетевые модели на последовательностях данных

• Автоэнкодеры и вариационные автоэнкодеры

• Graph и knowledge-graph подходы. Объяснения рекомендаций

• Написание сервиса рекомендательной системы

Программа учебной дисциплины «Теория баз данных»

• Введение в курс

• Основы теории реляционных баз данных

• Проектирование баз данных – логическое и физическое моделирование

• Целостность данных

• Язык SQL

• Триггеры и хранимые процедуры

• Вывод информации из баз данных

• Архитектура ХД

• Основные принципы проектирования ХД

• Распределенные БД

Программа учебной дисциплины «Финансовые технологии»

• Блокчейн и принцип его работы

• Децентрализованные финансы

• DeFi безопасность

Программа учебной дисциплины «Эконометрика»

• Метод наименьших квадратов

• Статистические свойства оценок

• Прогнозирование. Сравнение моделей

• Мультиколлинеарность

• Гетероскедастичность

• Автокорреляция

• Метод максимального правдоподобия. Логистическая регрессия

• Временные ряды

• Эндогенность

• Место эконометрики в машинном обучении