ИИ и машинное обучение

Магистратура 2026/2027

Статус: Курс обязательный (Бизнес-аналитика и цифровые решения в финансах)

Кто читает: Департамент бизнес-информатики

Где читается: Высшая школа бизнеса

Когда читается: 1-й курс, 1, 2 модуль

Охват аудитории: для своего кампуса

Язык: русский

Кредиты: 6

Контактные часы: 48

Дополнительные материалы в LMS Задать вопрос

Аннотация

Дисциплина посвящена машинному обучению для финансовой сферы с использованием Python (Scikit-Learn, NumPy, PyTorch). Магистранты осваивают классические и глубинные методы, рекомендательные системы и LLM. Отдельный блок посвящен MLOps и интеграции ML в бизнес-процессы. Дисциплина развивает навыки управления аналитическими проектами и принятия решений на основе данных. Магистранты изучают роль ИИ в обработке структурированных и неструктурированных данных, его потенциал в повышении качества и скорости анализа, а также типичные ограничения и риски: переобучение моделей, смещения, отсутствие интерпретируемости и вопросы этики. В рамках дисциплины рассматриваются принципы работы искусственных нейронов, слоёв и функций активации, а также механизмы обучения на примере простых и глубоких сетей.

Цель освоения дисциплины

Цель дисциплины - формирование у студентов системного представления о современных методах искусственного интеллекта и машинного обучения и практических навыков их применения для решения задач финансовой сферы; развитие способности осуществлять подготовку данных, построение, оценку и интерпретацию моделей машинного обучения, проектировать сквозные ML-пайплайны и интегрировать результаты моделирования в управленческий контур финансовой организации с учетом требований интерпретируемости, базовых принципов MLOps, этических и регуляторных ограничений.

Планируемые результаты обучения

Знать классические алгоритмы машинного обучения (линейная и логистическая регрессия, деревья решений, ансамблевые методы), основы устройства нейронных сетей (нейроны, слои, функции активации) и понятие MLOps.
Оценивать этические и регуляторные риски применения моделей ИИ в финансовой организации, обосновывать выбор модели с учетом требований интерпретируемости и бизнес-контекста.
Применять Python (Scikit-learn, TensorFlow/Keras) для построения моделей машинного обучения при решении прикладных задач финансовой сферы (кредитный скоринг, прогнозирование оттока клиентов, спроса).
Анализировать модели на предмет типичных проблем — переобучение, смещение (bias), утечка данных; сравнивать модели по метрикам качества и интерпретируемости для выбора оптимального решения.
Понимать принципы работы рекомендательных систем и больших языковых моделей (LLM), интерпретировать метрики качества моделей машинного обучения.
Создавать сквозной пайплайн ML-решения — от подготовки данных до интеграции модели в управленческий контур (отчетность, дашборд, рекомендация) с учетом базовых принципов MLOps.

Содержание учебной дисциплины

Искусственный интеллект и машинное обучение в финансовой организации
Постановка задачи и подготовка данных для машинного обучения
Линейная регрессия как базовая модель прогнозирования
Логистическая регрессия, кредитный скоринг и моделирование кредитного риска
Деревья решений и ансамблевые методы: Random Forest
Градиентный бустинг и выбор модели
Оценка качества моделей и связь метрик с бизнес-результатом
Диагностика, интерпретируемость и надежность ML-моделей
Основы искусственных нейронных сетей
Глубокие нейронные сети и работа с неструктурированными данными
Рекомендательные системы и большие языковые модели
Сквозной ML-пайплайн, MLOps и интеграция модели в управленческий контур

Элементы контроля

Посещаемость
Аудиторные проверочные работы
Четыре краткие проверочные работы по 10 минут в начале лекций.
Практические задания
Четыре индивидуальных домашних задания
Итоговый тест
Итоговый тест на все пройденные темы.
Итоговый проект
Группа из 2–3 человек создаёт работающее сквозное ML-решение для прикладной финансовой задачи: постановка задачи, подготовка данных, построение и сравнение моделей, оценка и интерпретация результатов, обоснование выбора модели и описание способа ее использования в бизнес-процессе.

Промежуточная аттестация

2026/2027 2nd module
0.1 * Посещаемость + 0.3 * Итоговый проект + 0.25 * Практические задания + 0.15 * Итоговый тест + 0.2 * Аудиторные проверочные работы

Список литературы

Авторы

Гамидов Санан Салех Оглы
Жильцов Евгений Михайлович

Программа дисциплины