Магистратура Data Science

Магистратура Data Science.

1 Программы магистратуры по исследованию данных

• Исследование данных образует большую научно-прикладную область.
• В зависимости от выбранного целевого сегмента, можно выделить несколько программ.

1.1 Основные специальности по Data Science

1.1.1 Data Analyst

• Data Analyst (аналитик данных).
• Проводит описательный (дескриптивный) анализ данных, интерпретирует их и представляет отчет заинтересованным лицам.
• Общается в бизнесовой сфере.
• Основные навыки:
  • Отличное знание предметной области, в пределах которой он анализирует данные.
    • Под предметной областью понимается определенная сфера бизнеса.
  • Знание особенностей ведения бизнеса той компании, где он работает.
  • Хорошие презентационные навыки.
  • Знание средств для визуализации данных и умение делать понятные неспециалистам графики и диаграммы.
  • Базовые знания статистики, умение пользоваться простыми системами для анализа данных.
  • Возможно (но совсем необязательно) знание какого-нибудь языка программирования

1.1.2 Data Mining Specialist

• Data Mining Specialist (специалист по интеллектуальной обработке данных).
• Универсальный специалист.
• Скорее математик и специалист по компьютерным наукам.
• Проводит полный цикл работы с данными.
• В процессе обработки данных использует статистические подходы.
• Основные навыки:
  • Неплохая математическая подготовка.
  • Умение находить и правильно готовить данные.
  • Умение программировать на одном или нескольких языках.
    • Языки эти обычно высокоуровневые, вроде Python, Java, Matlab, R, Julia.
    • Знание методов и алгоритмов машинного обучения.
    • Возможно (но необязательно), умение работать с большими данными (Big Data).

1.1.3 Data Engineer

• Data Engineer (инженер по данным).
• Технический специалист.
• Основные навыки:
  • Умение работать с Big Data.
  • Подготовка и обработка данных (операциональная часть исследования).
  • Хранение и преобразование данных.

1.1.4 Data Scientist

• Data Scientist (учёный по данным).
• Универсальный игрок, который может делать как то, что делает аналитик данных, так и то, что делает специалист по интеллектуальной обработке данных.
• Имеет какое-то особенное умение или особо узкую специализацию прикладной области.
• Основные навыки:
  • Отличные презентационные навыки.
  • Знание предметной области и умение представлять результаты своей работы неспециалистам.
  • Хорошая математическая подготовка, навыки подготовки данных, машинное обучение.
  • Умение работать с Big Data.
  • Дополнительная специализация в предметной области.

1.2 Задачи специалиста по Data Science

1.2.1 Выяснение требований заказчика- Профессия — Data Analist.

• Общается с бизнесом.
• Собирает требования.
• Формирует техническое задание.
• Участвует в переговорах или получает задачи от руководителя проекта.

1.2.2 Подготовка данных, их разметка

• Профессия — Data Engineer.
• Сбор данных:
  • получение;
  • предварительная очистка;
  • структурирование нужной информации.
• Разметка данных:
  • присвоение меток.
• Перевод в формат, удобный для машинного обучения.

1.2.3 Принятие метрик оценки эффективности модели

• Выбор метрик для оценки эффективности модели:
  • метрики для бизнеса;
    • каков экономический эффект от работы данной модели.
  • метрики технические.
    • качество модели.

1.2.4 Разработка и тренировка модели машинного обучения

• Профессия — Data Scientist.
• Создание моделей на основе знаний в конкретной прикладной области.

1.2.5 Внедрение модели в производственные процессы и продукты

• Профессия — Data Engineer.

1.2.6 Сопровождение модели

• Профессия — Data Developer.

1.3 Направления подготовки

1.3.1 Data Science

• Подготовка специалистов по исследованию данных широкого профиля.
  • должен ставить задачи с помощью анализа данных;
  • предлагать решения;
  • оценивать эффективность решений в синтетическом эксперименте и в реальных условиях.
• Дальнейшее развитие:
  • специалист по алгоритмам (математик-статистик).

1. Предметы

   1. Обязательные

      • Алгоритмы и структуры данных
      • Язык программирования (python, julia, R)
      • Машинное обучение
      • Дискретная математика
      • Линейная алгебра

   2. По выбору

      • Автоматическая обработка текстов
      • Компьютерное зрение
      • Глубинное обучение
      • Обучение с подкреплением
      • Информационный поиск

1.3.2 Разработка алгоритмов машинного обучения

• Подготовка специалистов по написанию программного обеспечения для обработки данных и машинного обучения (dev — разработка).
• Упор делается на разработку программного обеспечения.
• Соответствует направлению специальностей Data Developer.

1. Предметы

   1. Обязательные

      • Алгоритмы и структуры данных
      • Язык программирования (С++, julia)
      • Интеграционный язык программирование (python, julia)
      • Дискретная математика + Линейная алгебра
      • Машинное обучение
      • Инженерия машинного обучения

   2. По выбору

      • Дискретная математика
      • Линейная алгебра
      • Автоматическая обработка текстов
      • Компьютерное зрение
      • Глубинное обучение
      • Обучение с подкреплением

1.3.3 Инфраструктура больших данных

• Подготовка специалистов по разработке и поддержке инфраструктуры больших данных (ops — администрирование).
• Соответствует направлению специальностей Data Engineer.

1. Предметы

   1. Обязательные

      • Алгоритмы и структуры данных
      • Архитектура компьютера и операционные системы
      • Язык программирования (С++, julia)
      • Интеграционный язык программирование (python, julia)
      • Распределённые системы

   2. По выбору

      • Базы данных
      • Компьютерные сети
      • Криптографические протоколы
      • Конкурентное программирование

1.3.4 Анализ данных в прикладных науках

• Подготовка специалистов по применению машинного обучения в научных исследованиях.
• Основная подготовка — конкретная область исследований.
• Дополнительный математический аппарат — машинное обучение.
• Соответствует направлению специальностей Data Scientist.

1. Предметы

   1. Обязательные

      • Алгоритмы и структуры данных
      • Восстановление функциональных закономерностей из эмпирических данных
      • Основы стохастики. Стохастические модели
      • Язык программирования (python, julia, R)
      • Машинное обучение
      • Основы статистики в машинном обучении
      • Глубинное обучение

   2. По выбору

      • Дискретная математика
      • Линейная алгебра
      • Обучение с подкреплением