Обучение по части образовательной программы

Один из основных методологических принципов развития информационных технологий – абстракция – естественным образом привёл исследователей и технологов к выделению предметной области под названием «базы данных» (БД). Она включает в себя теории, методы и технологии:
1) формализации концептуальных, логических и физических моделей данных;
2) построения систем управления базами данных (СУБД);
3) оптимального доступа к данным с использованием СУБД.
4) нереляционная форма хранения данных.
5) Современные технологии доступа к данным.
Данный курс предоставляет введение в теорию баз данных, предлагает обзор современных технологий хранения и извлечения данных.

Финансовые рынки являются важнейшим элементом современной экономики, поскольку обеспечивают превращение сбережений населения в производственные инвестиции, необходимые для роста. В данном курсе обсуждается, как должна работать финансовая система, и почему она может давать сбои, как определяется денежная масса в экономике и к чему приводят ее колебания. Также данный курс посвящен политике государства по предотвращению или смягчению экономических спадов, основным типам политики (денежной и бюджетной) и обсуждению основных инструментов, механизмов и принципов их действия. Обсуждаются проблемы, с которыми чаще всего сталкиваются развивающиеся экономики – стабилизация инфляции, валютные кризисы, внезапное изменение направления потоков капитала.

Для освоения учебной дисциплины, студенты должны знать основные классы ИТ- систем, лучшие практики и современные стандарты в сфере информационных технологий. Также студенты должны владеть навыками проектирования информационных систем, уметь систематизировать и обобщать информацию, разрабатывать конкретные предложения по результатам исследований, готовить справочно-аналитические материалы для принятия решений в сфере информационных технологий. 

Цель данного курса – введение в эконометрику. Предполагается, что слушатель обладает знаниями в области дисциплин линейной алгебры, теории вероятностей и математической статистики. В данном курсе рассматриваются классические разделы эконометрики: линейные регрессионные модели (метод наименьших квадратов, статистические свойства оценок коэффициентов регрессии, коэффициент детерминации, проверка гипотезы о линейных ограничениях, использование дамми-переменных), проблемы, которые могут возникать в линейных моделях (мультиколлинеарность, гетероскедастичность, автокорреляция, эндогенность, мнимая регрессия), будут рассмотрены аспекты анализа временных рядов (ARMA и GARCH модели, причинность по Грейнджеру, тест на стационарность). Обучающиеся смогут проводить тесты для проверки гипотез о значимости коэффициентов регрессии, о корректной спецификации модели, об устойчивости модели, тесты на наличие пропущенных переменных. В качестве методов борьбы с нарушением предпосылок линейной регрессии будут рассмотрены метод инструментальных переменных, поправки в форме Уайта, Прайса-Винстена, ридж и LASSO регрессии. Также будут рассмотрены и модели качественного выбора: метод максимального правдоподобия, логит-модель, пробит-модель, порядковые регрессии, методы оценки качества моделей (ROC-кривая, TPR/FPR), тесты на значимость коэффициентов регрессии. Дополнительно будут рассмотрены квантильные регрессии, проблема цензурированных данных, tobit-регрессия, регрессия Хекмана.

Задача курса — научить слушателей находить скрытые закономерности в данных с помощью методов машинного обучения. На лекциях разбираются все основные модели (линейные, логические, метрические, байесовские) и постановки задач машинного обучения. Большое внимание уделяется прикладным аспектам анализа данных: метрикам качества, оцениванию обобщающей способности, подготовке данных и работе со сложными типами признаков. В курсе изучаются современные технологии и библиотеки, используемые в анализе данных. Все темы сопровождаются практическими заданиями на языке Python и соревнованиями по анализу данных.

В данном курсе рассматривается конкурентный ландшафт современных финансовых организаций: стратегия экосистемы, новые fintech-маркетплейсы, с использованием disruptive технологий, цифровой фронт-офис, кастомизация на основе применения когнитивных технологий для обработки внутренних и внешних данных, сокращения сроков проведения изменений (agile), многоканального обслуживания клиентов, on-demand услуги с быстро изменяющимся ценностным предложением, различными ценами для разных категорий клиентов, а также безопасные операции, снижающие риски мошенничества посредством использования технологии блокчейн. 

Курс посвящен т.н. байесовским методам решения задач машинного обучения, которые в настоящее время активно развиваются в мире. Большинство современных научных публикаций по машинному обучению используют вероятностное моделирование, опирающееся на байесовский подход к теории вероятностей. Основной задачей курса является привитие студентам навыков самостоятельного построения сложных вероятностных моделей обработки данных, используя стандартные модели в качестве своеобразных "кирпичиков". Особое внимание уделяется приближенным байесовским методам, позволяющим обсчитывать сложные вероятностные модели. Будут рассмотрены сопряжённые распределения, байесовская проверка гипотез, EM-алгоритм в общем виде, ЕМ-алгоритм для задачи разделения смеси нормальных распределений, вероятностная модель главных компонент (PCA), её преимущества относительно стандартного PCA, приближение вероятностных интегралов с помощью сэмплирования из распределения, теоретические свойства марковских цепей: однородность, эргодичность, инвариантные распределения, общая схема методов MCMC, схема Гиббса, схема Метрополиса-Хастингса, тематическая модель Latent Dirichlet Allocation (LDA), обучение и вывод в модели LDA с помощью вариационного подхода, способы использования LDA. 

В данном курсе рассматриваются актуальные задачи обработки естественного языка (NLP) — как хорошо изученные (оценка окраса текста, определение частей речи, определение языка, анализ морфологии, обучение с учителем на текстах и другие), так и активно развивающиеся (диалоговые системы и чат-боты и т.д.). Весь материал сопровождается практическими задачами анализа интернет-данных и больших текстовых корпусов. 

Целями освоения дисциплины является формирование у студентов комплекса теоретических знаний и методологических основ в области технологий виртуализации, языка программирования Python, фреймворков Django и Luigi для него, а также практических навыков, необходимых для использования этих инструментов.

Глубинное обучение - стремительно развивающаяся область машинного обучения по большим объемам данных. В задачах, где объем обучающей выборки достаточно велик, методы глубинного обучения не просто значительно опережают все известные подходы, но и приближаются к возможностям человеческого интеллекта. Несмотря на то, что теория глубинных нейронных сетей еще не построена, они уже успешно применяются на практике. В этом курсе будут рассмотрены самые современные подходы к построению, обучению и применению глубинных нейронных сетей для решения различных индустриальных задач.

В рамках курса студенты познакомятся с методами работы с большими массивами данных разного вида, включая тексты и изображения. Студенты научатся применять их в реальных задачах, с которыми сегодня сталкиваются специалисты по анализу данных. Будут рассмотрены как способы распараллеливания и ускорения работы известных методов, так и новые подходы, основанные на наличии большой обучающей выборки. В курсе изучаются современные подходы к обработке больших данных на языке Python с использованием таких инструментов как IPython, Apache Spark, vowpal wabbit, xgboost, word2vec и TensorFlow.

Цель курса – рассмотреть области применения математического моделирования и методов анализа данных в практических банковских задачах и финансовых стартапах. Рассматривается понятие риска, приводится классификация типов риска в банковской сфере (кредитный, рыночный, операционный, процентный, трансфертный, имущественный, риск ликвидности и др.), рассматривается трейд-офф между вероятностью потерь и недополученным процентным доходом, изучаются модели экономического капитала, стресс-тестирования, агрегированного риска. Задачи классификации и прогноза в задаче кредитного риска, приводится обзор классических банковских инструментов (скоринговые карты, деревья решений), производится сравнение с бенчмарками. Рассматриваются задачи клиентского оттока, максимизации NPV по маркетинговым кампаниям, соотношения риск доходность. Дополнительно рассматривается проблема выбора в условиях неопределенности и риска, рассматриваются понятия нечеткой логики и модели теорий неопределенности.

Курс знакомит студентов с новыми и активно развивающимися междисциплинарными областями науки о сетях (network science). Социологи начали изучать социальные сети, привлекая внимание физиков, ученых из области компьютерных наук, экономистов, биологов, лингвистов, что привело к появлению по-настоящему междисциплинарной области исследований. Несмотря на разнообразие процессов, которые порождают сети, а также объекты и отношения, которые служат узлами и ребрами в этих сетях, все сети имеют общие статистические и структурные свойства. Взаимодействие между порядком и беспорядком создает сложные сетевые структуры, которые находятся в центре внимания исследования. В ходе курса будут рассмотрены методы статистического и структурного анализа сетей, моделей формирования и эволюции сетей и процессов, развивающихся в сети. Особое внимание будет уделено практическому анализу и визуализации реальных сетей с использованием доступных программных средств, современных языков программирования и библиотек.

Как правило, среднестатистический управленец ставит эксперимент на реальных системах, будь то экономика страны, отдельная организация или система управления сложным перекрестком. Лицо, принимающее решение, надеется при этом на свою проницательность, интуицию и удачу. Чаще всего это ни к чему хорошему не приводит. «Хотели как лучше, а получилось как всегда» – вот обычная характеристика таких решений. Невысокая эффективность управленческих решений, сделанных на основе интуиции, объясняется тем, что причины и следствия в сложных системах разнесены во времени и пространстве, поэтому человеку трудно предсказать, какие последствия вызовет то или иное решение. В тех случаях, когда для оценки принимаемых решений эксперимент с реальными системами невозможен, либо слишком дорог, используется моделирование. Данный курс ставит своей целью познакомить слушателей с современными парадигмами имитационного моделирования, широким спектром приложений этих методов в финансово-экономической области, а также предоставить возможность практически освоить высокотехнологические системы моделирования.

Настоящий курс предназначен для изучения теоретических основ и получения практических навыков работы с данными, имеющими временную структуру. Условно курс можно разделить на 3 логических блока, результатом каждого из которых является командный проект, основанный на реальном бизнескейсе:
1) Случайные процессы и симуляционные модели;
2) Статистика временных рядов и классические модели прогнозирования временных рядов;
3) Методы машинного обучения в работе с временными данными.