Учебные курсы: 2024/2025 учебный год

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»

• Bayesian probability

• Bayesian probability model-building

• Sampling methods and generative models

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»

• Основные понятия и задачи моделирования процессов и систем

• Схемы моделирования процессов и систем

• Марковские процессы

• Модели массового обслуживания

• Теория и методы системной динамики

• Методы стохастического имитационного моделирования

• Многоагентные системы

• Динамические системы и дискретно-событийное моделирование

• Система имитационного моделирования AnyLogic

Программа учебной дисциплины «Машинное обучение»

• Введение в машинное обучение

• Обучение без учителя

• Линейные методы регрессии

• Линейные методы классификации

• Особенности работы с реальными данными

• Работа с признаками

• Решающие деревья

• Композиции алгоритмов

• Нейронные сети

• Подходы к извлечению признаков для сложных данных

• Рекомендательные системы

Программа учебной дисциплины «Обучение с подкреплением»

• Многорукие бандиты

• Марковские процессы

• Аппроксимация

• Непрерывное пространство действий

• Actor-Critic

• Model-Based

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 «Практика применения симуляционных моделей рыночных риск-факторов»

Программа учебной дисциплины «Прикладное применение методов искусственного интеллекта»

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 «Capital Market Regulation»

Программа учебной дисциплины «Рекомендательные системы»

Программа учебной дисциплины «Семинар наставника "Финансовые технологии и анализ данных"»

• Модельный риск

• Ограничения и особенности ML-моделей на примере рекомендательных систем

• Causal Inference

• Uplift-моделирование как пример Causal Inferenсe

• Оценка неопределённости и другие способы оценки качества моделей

• Проверка гипотез: А/Б-тесты не предел!

• Визуализация, интерпретация и презентация работы ml-моделей

• System ML Design

• Менеджмент ML-команд

• Введение в Data Engineering. Устройство современного дата-пайплайна.

• Файловые хранилища. S3-like хранилища. Hadoop-экосистема.

• Устройство и основы работы с Apache Spark.

• Data Warehousing. Современные архитектуры организации хранилищ данных: Data Vault, Anchor Model, hNhM.

• Очереди и работа с потоками данных: Apache Kafka, Spark Streaming

• MPP СУБД: Greenplum, Vertica, Clickhouse. Особенности устройства и организации вычислений

• Планы запросов. Учимся читать планы запросов на реляционных СУБД и MPP

• ETL / ELT. Правила проектирования ETL-процессов

• Использование данных. BI-системы

• Новые вызовы в DE

Программа учебной дисциплины «Семинар наставника "Финансовые технологии и анализ данных"»

• Ключевые направления исследований в области финансовых технологий

• Постановка исследовательских задач

• Разбор научных статей в области финансовых технологий

• Разбор практических кейсов в области финансовых технологий

• Введение в Data Engineering. Устройство современного дата-пайплайна.

• Файловые хранилища. S3-like хранилища. Hadoop-экосистема.

• Устройство и основы работы с Apache Spark.

• Data Warehousing. Современные архитектуры организации хранилищ данных: Data Vault, Anchor Model, hNhM.

• Очереди и работа с потоками данных: Apache Kafka, Spark Streaming

• MPP СУБД: Greenplum, Vertica, Clickhouse. Особенности устройства и организации вычислений

• Планы запросов. Учимся читать планы запросов на реляционных СУБД и MPP

• ETL / ELT. Правила проектирования ETL-процессов

• Использование данных. BI-системы

• Новые вызовы в DE

Программа учебной дисциплины «Structural Analysis and Visualization of Networks»

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 «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

Программа учебной дисциплины «Научно-исследовательский семинар "Облачные и локальные системы данных"»

• Введение в Data Engineering. Устройство современного дата-пайплайна

• Файловые хранилища. S3-like хранилища. Hadoop-экосистема

• Устройство и основы работы с Apache Spark

• Data Warehousing. Современные архитектуры организации хранилищ данных: Data Vault, Anchor Model, hNhM.

• Очереди и работа с потоками данных: Apache Kafka, Spark Streaming

• MPP СУБД: Greenplum, Vertica, Clickhouse. Особенности устройства и организации вычислений

• Планы запросов. Учимся читать планы запросов на реляционных СУБД и MPP

• ETL / ELT. Правила проектирования ETL-процессов

• Использование данных. BI-системы

• Новые вызовы в DE

Программа учебной дисциплины «Построение пайплайнов данных»

Программа учебной дисциплины «Нейронные сети в машинном обучении»

• Бэкпроп, оптимизаторы, PyTorch

• Инициализация, регуляризация, best practices

• Conv layers, Pooling, Архитектуры: vgg, ResNet, Mobile Net

• Перенос обучения. Prooning, quantization. Дистиляция знаний. trt, onnx. Интерпретация моделей, Shapley

• Dense prediction, UNet

• Object detection, метрики

• Word Embeddings (TF-IDF, word2vec), Tokenizers, Lemma, Stop words, Rnn

• Attention, Transformer, Translator

• BERT, adapters, LoRa, QLoRa, NER

• LLM

• GenAI: GAN, VAE, диффузии

• ViT, DETR, CLIP, Swin, SAM

• Representation learning

• RecSys. Collaborative filtering, ALS

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 «Научно-исследовательский семинар "Трансформеры"»

Программа учебной дисциплины «Трансформерные и мультимодальные модели»

• The Transformer

• Решение Sequence-to-sequence (seq2seq)

• Энкодеры

• Декодеры

• Pretraining

• Post-Training

• Cutting-edge transformers research

• Защиты финальных проектов

Программа учебной дисциплины «Процесс-майнинг»

Программа учебной дисциплины «Проектирование корпоративной архитектуры»

• Архитектура ИТ-архитектуры (уровни, слои, направления)

• Архитектура как инструмент управления ИТ-ландшафтом

• Архитектурные принципы, стандарты, требования

• Документирование архитектуры — архитектурные артефакты

• Бизнес-архитектура

• Архитектура данных

• Архитектура приложений

• Технологии и инфраструктура

• Интеграционная архитектура

• Архитектура кибербезопасности

• Концептуальная и детальная архитектуры

• Оценка жизнеспособности архитектуры

• Проверка архитектуры

• Архитектурные процессы

Программа учебной дисциплины «Продуктовый подход к анализу данных»

Программа учебной дисциплины «Валидация больших генеративных моделей»

• Что такое большие генеративные модели

• Генерация предсказаний LLM

• Оценка качества LLM моделей

• Ограничения stand-alone LLM моделей

• Многофункциональный сервис на базе LLM

• Агентность. Агентные системы и современные подходы к построению.

• Дизайн мл-решения с использованием LLM

• Количественная оценка на основе бизнес-требований

• Кейсы реальных проверок и ad-hoc подход

• Диффузионные модели stand-alone и как функции для сервисов

• Валидация диффузионных моделей: как не стесняться и сделать свою метрику качества

• Развитие генеративных визуальных моделей: генерация видео и анимации

• Продуктовая аналитика генеративных сервисов

Программа учебной дисциплины «Глубинное обучение в обработке звука»

Программа учебной дисциплины «Мультимодальные нейронные сети»

• Введение в мультимодальные нейросети

• Контрастивное обучение и CLIP/CLAP

• Модели text2image

• Мультимодальные энкодеры

• Аудиомодальность и её представление

• Визуальная модальность и архитектуры визуальных энкодеров

• Видео как модальность и работа с видеопотоками

Программа учебной дисциплины «Проектный курс по большим языковым моделям»

• Intro в курс. Жизненный цикл ML-сервисов. Обзор RAG систем.

• RAG: основная информация, популярные методы, направление research; индустриальные решения

• LLM (RAG)-центричные кейсы

• LLM: Reasoning workshop

• Консультация и обсуждение финальных проектов

• Защиты финальных проектов

Программа учебной дисциплины «Языковые модели в социологии»

Программа учебной дисциплины «Проектирование корпоративной архитектуры»

• Архитектура ИТ-архитектуры (уровни, слои, направления)

• Архитектура как инструмент управления ИТ-ландшафтом

• Архитектурные принципы, стандарты, требования

• Документирование архитектуры — архитектурные артефакты

• Бизнес-архитектура

• Архитектура данных

• Архитектура приложений

• Технологии и инфраструктура

• Интеграционная архитектура

• Архитектура кибербезопасности

• Концептуальная и детальная архитектуры

• Оценка жизнеспособности архитектуры

• Проверка архитектуры

• Архитектурные процессы