Центр непрерывного образования ФКН НИУ ВШЭ

Как работают LLM + секреты промпт-инжиниринга

Делимся видеозаписью, которая будет полезна каждому, кто знаком с классическим машинным обучением и основами глубинного обучения и желает погрузиться в особенности работы с современными языковыми моделями.

Из видео:
🟣узнаете, что такое большая языковая модель (LLM) и как она генерирует текст
🟣поймете, для каких задач сейчас используются LLM и как они обучались
🟣научитесь писать «правильные» запросы к моделям, чтобы они выдавали релевантный ответ

🎙 Спикер: Елена Кантонистова, доцент факультета компьютерных наук, академический руководитель программы «Искусственный интеллект», научный руководитель программы «Прикладные нейросетевые технологии».

Смотреть 📍

Redis рядом с реляционной базой: зачем нужен второй слой хранения

Redis относится к хранилищам типа «ключ — значение» и работает в оперативной памяти. Реляционной модели, соединений таблиц и декларативного языка запросов в его ядре нет. В типовой архитектуре он стоит перед реляционной базой и принимает на себя часть нагрузки, отсюда и постоянное соседство двух технологий в описаниях стека.

1️⃣Как устроен

Название расшифровывается как remote dictionary server. Данные размещаются в памяти, поэтому отклик измеряется десятками микросекунд, а один узел выдерживает сотни тысяч операций в секунду.

Команды исполняются в один поток. Такая модель дает предсказуемую задержку и атомарность каждой команды по построению, поскольку блокировки и переключения контекста отсутствуют. Сетевой ввод-вывод при этом обрабатывается параллельно.

2️⃣Структуры данных

Тип значения подбирается под преобладающую операцию:

🟣Строки: кэш сериализованных объектов, счетчики через атомарный INCR
🟣Хеши: объекты с полями, когда обновляются отдельные атрибуты
🟣Списки: очереди и стеки, в том числе с блокирующим чтением
🟣Множества: проверка принадлежности, пересечения, объединения на стороне сервера
🟣Упорядоченные множества: элементы хранятся отсортированными по весу, отсюда рейтинги и выборки по диапазону за логарифмическое время
🟣Потоки: журнал событий с группами потребителей и подтверждением обработки
🟣HyperLogLog: приближенный подсчет уникальных значений при фиксированном расходе памяти

Разница в подходе видна на примере: топ-10 клиентов по сумме заказов в SQL считается запросом с группировкой и сортировкой. В Redis вес инкрементируется в момент заказа, а чтение сводится к одной команде ZREVRANGE.

3️⃣Долговечность

Сохранение на диск устроено двумя способами: периодические снимки состояния и журнал команд с настраиваемой частотой синхронизации. Их допустимо комбинировать.

Гарантии здесь ограниченные. Репликация асинхронная, клиент получает подтверждение раньше, чем запись доходит до реплики, журнал по умолчанию сбрасывается раз в секунду. Данные, потеря которых недопустима, первичным местом хранения должны иметь реляционную базу.

4️⃣Что выносят из основной базы

🟣Кэш тяжелых агрегатов, которые пересчитываются редко, а читаются постоянно
🟣Сессии и токены с коротким сроком жизни
🟣Счетчики и ограничение частоты запросов
🟣Очереди фоновых задач
🟣Рейтинги и выборки «первые N по значению» в реальном времени

5️⃣Что учитывать при кэшировании

🟣Инвалидация. После изменения данных в базе устаревшее значение живет в кэше до истечения TTL, ключ приходится удалять явно
🟣Одновременное истечение. Ключи, записанные в одну секунду с одинаковым TTL, истекут разом и отправят всю нагрузку в базу. Помогает случайный разброс срока жизни
🟣Промах по горячему ключу. Параллельные запросы на отсутствующее значение уходят в базу все сразу. Спасает блокировка на время пересчета либо обновление значения до истечения срока
🟣Политика вытеснения. При исчерпании памяти Redis по умолчанию отвечает ошибкой на запись, для кэша ее задают явно, обычно по частоте или давности использования

6️⃣Ограничения

Произвольные запросы по неключевым атрибутам требуют заранее построенного индекса. Блок MULTI/EXEC выполняет команды последовательно, откат при ошибке не предусмотрен. Объем данных упирается в оперативную память узла, а кластерный режим требует, чтобы ключи одной операции попадали в один слот.

7️⃣Про лицензию

В 2024 году проект перешел с BSD на RSALv2 и SSPLv1, после чего появился форк Valkey под управлением Linux Foundation. В 2025 году в набор лицензий добавили AGPLv3. На практике это дает две совместимые реализации на рынке, и при выборе стоит смотреть, какую поддерживает ваш облачный провайдер.

Запускаем свою нейросеть: большая языковая модель (LLM) уровня ChatGPT прямо в браузере

Все привыкли, что большие языковые модели живут где-то в облаке, за подпиской и API-ключом. Однако модель, сопоставимую по качеству с коммерческими сервисами, можно запустить сегодня самостоятельно и бесплатно, в Google Colab.

Приглашаем вас принять участие в вебинаре в рамках программы «Специалист по науке о данных (Data Science)» Центра непрерывного образования ФКН.

На вебинаре разберём:
🟣что такое открытые LLM и чем они отличаются от закрытых сервисов;
🟣как выбрать модель под свою задачу и не упереться в ограничения бесплатного GPU;
🟣как загрузить и запустить Qwen в Colab через Hugging Face Transformers;
🟣что такое квантизация и почему модель на 7 миллиардов параметров помещается в бесплатную видеокарту;
🟣как управлять поведением модели: системный промпт, температура, длина ответа.

По итогам вебинара все участники заберут готовый notebook с полностью рабочим пайплайном запуска модели — можно сразу открыть у себя и начать экспериментировать.

🎙Спикер: Марк Блуменау, академический руководитель программы «Специалист по Data Science» Центра непрерывного образования ФКН и магистратуры «Умные устройства: аппаратная разработка».
📁Когда: 21 августа в 19:00.

Регистрация 📍

Почему ИИ врет: галлюцинации, выдуманные источники и как заставить модель проверять себя

Нейросеть не знает, что такое правда. Она подбирает наиболее вероятное продолжение текста, поэтому одинаково уверенным тоном выдаёт и реальный факт, и несуществующее исследование с красивым названием.

Приглашаем вас принять участие в вебинаре в рамках программы «Промпт-инженерия: нейросети для человека» Центра непрерывного образования ФКН.

В ходе вебинара разберем на примерах и по шагам:
🟣откуда берутся галлюцинации на уровне механики модели;
🟣почему они появляются именно там, где вы их не ждёте;
🟣и какие приемы действительно снижают количество галлюцинаций.

Все участники получат список признаков, по которым видно, что ответ выдуман, поймут, какие задачи можно доверять ИИ, а какие — нельзя ни при каких настройках, а также получат набор промпт-приемов против галлюцинаций и схему проверки ответа за пару минут вместо часа ручной перепроверки.

🎙Спикер: Маргарита Бурова, эксперт и академический руководитель программы «Аналитик данных» Центра непрерывного образования ФКН, руководитель edtech-программ по data science и аналитике Wildberries.
📁Когда: 19 августа в 18:00.

Регистрация 📍

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.

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 📍

Подборка литературы: математика для анализа данных

Если вы хотите начать заниматься машинным обучением и анализом данных, то без фундаментальных знаний математики обойтись будет трудно. Какие именно разделы вам понадобятся и с чего начать изучение, если до этого всерьез не разбирались с высшей математикой?

Эксперты Центра непрерывного образования ФКН составили для вас подборку книг, которые помогут изучить математику с любым уровнем подготовки.

🟣Математический анализ
🟣Линейная алгебра
🟣Теория вероятностей и статистика
🟣Математика в ML и DA

▶️ Структурированно изучить необходимый материал из дискретной математики, математического анализа, линейной алгебры и теории вероятностей для полноценного понимания и умения решать задачи анализа данных, заручившись поддержкой преподавателей факультета компьютерных наук, можно на программе «Математика для анализа данных».

До 31 июля действует акция «Ранние пташки» — оставьте заявку на программу и заморозьте стоимость до повышения.