Специализации программы

• Гибкость образовательных траекторий 

Возможность сочетать разные направления (машинное обучение, разработку, анализ данных) и формировать индивидуальный учебный план.

• Интеграция науки и индустрии 

Изучение как фундаментальных аспектов computer science, так и их прикладного применения в бизнесе и исследованиях.

• Доступ к передовым технологиям

Работа с GPU-вычислениями, распределёнными системами, data-driven методами и современными ML-подходами.

• Тесное сотрудничество со Школой анализа данных

Большая часть курсов из вариативной части реализуется в ШАД.

• Сильный преподавательский состав

Преподавателями программы являются экспертами ФКН, Школы анализа данных и Яндекса.

• Специалист по данным

Анализирует большие данные, строит модели машинного обучения и помогает бизнесу принимать решения на основе данных.

• Инженер машинного обучения

Разрабатывает и внедряет алгоритмы машинного обучения, оптимизирует модели для работы в production-среде.

• Разработчик больших данных

Создаёт и поддерживает распределённые системы обработки данных (Hadoop, Spark), оптимизирует хранение и анализ больших объёмов информации.

• Бэкенд-разработчик

Разрабатывает серверную часть приложений, обеспечивает работу API, интеграцию с базами данных и высокую производительность систем.

• Исследователь в IT/Data Science

Проводит научные исследования в области анализа данных, искусственного интеллекта и распределённых систем, публикует работы и разрабатывает новые методы.

• Алгоритмы во внешней памяти

Курс посвящён эффективным алгоритмам обработки данных, которые не помещаются в оперативную память. Рассматриваются методы работы с внешними накопителями, оптимизация ввода-вывода, B-деревья, внешняя сортировка, алгоритмы для графов и строк в условиях ограниченной памяти. Применение в базах данных, больших аналитических системах и распределённых вычислениях.

• Архитектура компьютера и операционные системы

Изучение принципов работы процессоров, памяти, ввода-вывода и взаимодействия с ОС. Разбор ядра UNIX-подобной системы (например, xv6): управление процессами, памятью, файловыми системами, многопоточность и синхронизация. Практика на ассемблере и низкоуровневом C, понимание работы современных вычислительных систем.

• Генеративные модели в машинном обучении

Изучение современных подходов к генерации данных: VAEs, GANs, диффузионные модели, нормализующие потоки. Применение для синтеза изображений, текста, аудио и видео. Разбор архитектур, методов обучения, оценки качества и практического внедрения в продуктовые решения.

• Графы в машинном обучении

Курс охватывает алгоритмы и модели для работы с графами: классические методы (PageRank, community detection) и нейросетевые подходы (GNN, Graph Transformers). Применение в рекомендательных системах, социальных сетях, биоинформатике, анализе транзакций и Knowledge Graphs.

• Обучение с подкреплением (Reinforcement Learning, RL)

Теория и практика RL: марковские процессы, Q-обучение, Policy Gradients, Deep RL (DQN, PPO, SAC). Разбор применения в робототехнике, играх, управлении ресурсами и автоматизации принятия решений. Лабораторные работы на современных фреймворках (OpenAI Gym, Stable Baselines).

• Проектирование систем машинного обучения

Методология построения ML-систем: от исследовательского прототипа до промышленного внедрения. Feature Engineering, A/B-тестирование, мониторинг, воспроизводимость, масштабирование (Batch/Stream processing). Интеграция с DevOps (MLOps): CI/CD для моделей, контейнеризация, orchestration (Kubeflow, MLflow).

• Сбор и разметка данных для машинного обучения

Практические аспекты подготовки данных: парсинг, краулинг, ETL-пайплайны. Методы разметки (краудсорсинг, активное обучение, слабый надзор). Инструменты (Label Studio, Prodigy), оценка качества данных, борьба с перекосами и шумом. Юридические и этические аспекты работы с данными (GDPR, согласие пользователей).

• Трансформеры и большие языковые модели (LLM)

Углублённое изучение архитектуры Transformer (Self-Attention, Multi-Head, Positional Encoding). Современные LLM (GPT, BERT, T5): претренинг, тонкая настройка, инференс. Оптимизация (Quantization, Distillation), Prompt Engineering, RAG. Разбор кейсов в NLP: чат-боты, кодогенерация, summarization.

• Алгоритмы и структуры данных

Классические алгоритмы (сортировка, поиск, динамическое программирование) и структуры данных (хеш-таблицы, деревья, графы). Анализ сложности (Big-O), методы оптимизации. Практика решения задач на LeetCode-подобных платформах, подготовка к техническим собеседованиям.

И другие.

• Глубокое понимание фундаментальных основ компьютерных наук

Теоретическая информатика даёт строгую математическую базу, включая теорию алгоритмов, сложность вычислений, теорию графов, криптографию и формальные языки. Это позволяет выпускникам не только решать сложные прикладные задачи, но и разрабатывать новые методы и алгоритмы, что востребовано как в науке, так и в высокотехнологичных IT-компаниях.

• Гибкость карьерного развития: от науки до индустрии

Выпускники могут выбирать между академической карьерой (исследования в университетах и научных лабораториях) и работой в IT-индустрии (разработка алгоритмов, оптимизация систем, криптография, машинное обучение). Теоретическая подготовка позволяет быстро адаптироваться к новым технологическим вызовам.

• Интеграция с передовыми исследованиями и индустриальными проектами

Программа сотрудничает с Яндексом, международной лабораторией теоретической информатики и другими научными центрами. Это даёт доступ к актуальным исследованиям, стажировкам и участию в реальных проектах на стыке теории и практики.

• Возможность комбинировать учебный план с другими направлениями (Data Science, Big Data)

Студенты могут выбирать курсы из смежных областей, таких как машинное обучение, распределённые системы или анализ данных. Это позволяет стать универсальным специалистом, способным применять теоретические знания в прикладных задачах.

• Подготовка к работе в международной среде

Теоретическая информатика — это глобальная область, и выпускники программы востребованы как в России, так и за рубежом. Фундаментальные знания и исследовательский опыт позволяют продолжить обучение в аспирантуре или работать в международных IT-компаниях и научных центрах.

• Инженер по алгоритмам

Разрабатывает и оптимизирует алгоритмы для решения сложных вычислительных задач, улучшает производительность систем и решает проблемы в области теории графов, криптографии или сжатия данных.

• Исследователь в области квантовых вычислений

Изучает квантовые алгоритмы, моделирует квантовые системы и разрабатывает программное обеспечение для квантовых компьютеров, способствуя развитию новой вычислительной парадигмы.

• Специалист по теории вычислительной сложности

Исследует границы возможностей алгоритмов, классифицирует задачи по классам сложности (P, NP и др.) и разрабатывает методы для доказательства их пределов.

• Инженер данных

Проектирует и поддерживает инфраструктуру для обработки данных, разрабатывает ETL-процессы (извлечение, преобразование, загрузка) и обеспечивает эффективную работу с большими массивами информации.

• Специалист по криптографии

Разрабатывает и анализирует криптографические алгоритмы, изучает методы защиты данных, исследует уязвимости и создаёт безопасные протоколы для передачи информации.

• Алгоритмическая теория игр

Курс посвящён изучению алгоритмических аспектов теории игр с акцентом на вычислительные задачи, возникающие в экономике, компьютерных науках и искусственном интеллекте. Рассматриваются равновесия Нэша, аукционы, механизмы распределения ресурсов, коалиционные игры и алгоритмы для их анализа. Особое внимание уделяется сложности вычислений и приближённым методам решения игровых задач.

• Выпуклый анализ и оптимизация

Курс охватывает математические основы выпуклого анализа и его применение в задачах оптимизации. Изучаются свойства выпуклых множеств и функций, условия оптимальности, двойственность, методы внутренней точки, субградиентные методы и стохастическая оптимизация. Приложения включают машинное обучение, экономику и инженерные задачи.

• Комбинаторные конструкции в теоретической информатике

Курс фокусируется на комбинаторных структурах, используемых в алгоритмах, теории кодирования, криптографии и сложности вычислений. Рассматриваются графы, матроиды, блок-схемы, экспандеры, вероятностные методы и их применение в построении эффективных алгоритмов. Особое внимание уделяется связи комбинаторики с вероятностными и алгебраическими методами.

• Криптография на решётках

Курс посвящён современным криптографическим схемам, основанным на задачах теории решёток. Изучаются базовые проблемы (SVP, CVP), криптосистемы с открытым ключом (NTRU, LWE), гомоморфное шифрование и постквантовая криптография. Рассматриваются как теоретические аспекты (доказательства стойкости), так и практические реализации.

• Промышленное программирование на Haskell

Курс ориентирован на применение Haskell в реальных индустриальных проектах. Рассматриваются продвинутые возможности языка (типы высших порядков, монады, линзы), работа с эффектами, конкурентность и распределённые системы, интеграция с другими языками, тестирование и поддержка кода в production-среде.

• Типы в языках программирования

Курс исследует систему типов как фундаментальный инструмент проектирования языков программирования. Изучаются полиморфизм, зависимые типы, линейные типы, теория категорий в типах, верификация программ через типы, а также применение современных систем типов (Agda, Idris, Rust) для гарантий корректности.

И другие.