Межфакультетские курсы

Проект МФК призван предоставить студентам всех факультетов МГУ актуальные и современные знания в областях Computer Science и Data Science. Курсы рассказывают о развитии искусственного интеллекта и применении его технологий в различных профессиональных областях.

Выбрать курс
i

1 семестр

Длительность каждого курса

12 лекций

Для студентов всех факультетов МГУ

Как записаться
на МФК

Запись через
Личный кабинет МГУ

Запись на МФК для студентов МГУ имени М. В. Ломоносова производится через Личный кабинет в начале каждого семестра. Записаться на МФК могут студенты всех факультетов МГУ независимо от профиля или специальности.

Перейти в Личный кабинет

Важно!

Количество мест на каждом курсе ограничено. Запись открывается в начале каждого семестра.

Расписание МФК

Машинное обучение для решения прикладных задач

Среда
15:10 — 16:40

Основы программирования и анализа данных на Python

Среда
17:00 — 18:30

Введение в глубокое обучение

Среда
17:00 — 18:30

Наши курсы

1

Основы программирования и анализа данных на Python

Для студентов всех специальностей. Предварительный опыт программирования не нужен — важна готовность регулярно писать код и сдавать задачи.

Информационный канал в Яндекс Мессенджере

Цель курса

Сформировать алгоритмическое мышление и устойчивый навык программирования на Python для самостоятельной работы с данными и перехода к машинному и глубокому обучению.

Подготовка и дальнейшее обучение

Рекомендуем параллельно изучать «Математику для анализа данных» в записи. ООП и базы данных пригодятся как сами по себе, так и на следующих курсах серии. Продолжение — машинное и глубокое обучение.

Что изучите

  • Алгоритмические конструкции: ветвления, циклы, функции.
  • Работа с числами и текстом, списками, множествами, словарями и файлами.
  • Matplotlib: визуализация данных. NumPy: высокопроизводительные вычисления.
  • Pandas: загрузка, фильтрация, агрегация табличных данных и представление результатов.
  • Объектно-ориентированное программирование: классы, инкапсуляция, наследование, декораторы и специальные методы.
  • Реляционные базы данных: хранение и выборка табличных данных.
2

Машинное обучение для решения прикладных задач

Полный цикл построения моделей: от постановки задачи и предобработки данных до выбора алгоритма, настройки гиперпараметров и интерпретации результатов.

Информационный канал в Яндекс Мессенджере

Цель курса

Сформировать устойчивые теоретические представления и практические навыки работы с алгоритмами искусственного интеллекта, применимыми в любой области знания.

Подготовка и дальнейшее обучение

Необходимы программирование на Python (рекомендуем курс «Основы программирования и анализа данных на Python»), линейная алгебра, оптимизация и статистика (рекомендуем факультатив «Математика для анализа данных»).

Что изучите

  • Метрические методы: k-ближайшие соседи.
  • Линейные модели: логистическая регрессия, SVM. Ядерные подходы.
  • Решающие деревья и ансамбли: случайный лес, градиентный бустинг.
  • Снижение размерности: PCA, t-SNE. Кластеризация: K-means, DBSCAN.
  • Оценка качества: кросс-валидация, матрица ошибок, Precision/Recall/F1, ROC- и PR-кривые.
  • Работа с несбалансированными данными.
3

Введение в глубокое обучение

От полносвязных и свёрточных нейросетей до трансформеров, больших языковых моделей и генеративных архитектур. Баланс теории и интенсивной практики: каждая тема сопровождается реализацией работающих моделей на реальных датасетах.

Информационный канал в Яндекс Мессенджере

Цель курса

Освоить современные нейросетевые архитектуры и их применение к практическим задачам.

Подготовка и дальнейшее обучение

Необходимы программирование на Python; линейная алгебра, оптимизация и статистика; основы машинного обучения. Рекомендуем курсы «Основы программирования и анализа данных на Python», «Машинное обучение для решения прикладных задач» и факультатив «Математика для анализа данных».

Что изучите

  • Полносвязные и свёрточные нейросети, трансформеры, большие языковые модели, GAN и VAE.
  • PyTorch: градиентный спуск, батч-обучение, нормализация, перенос вычислений на GPU.
  • Компьютерное зрение, обработка естественного языка, машинный перевод и генерация текстов.
  • Предобученные модели: Transfer Learning и Fine-Tuning.
  • Механизм внимания, эмбеддинги и обучение без явной разметки.

Преподаватели
и разработчики
курсов

Тимофей Хирьянов

Тимофей Хирьянов

Основы программирования и анализа данных на Python

Программист, эксперт ЕГЭ по информатике, популяризатор Python. Работал в Parallels и Samsung Electronics. Разработчик системного ПО для операционной системы Tizen и мобильных платформ, ассоциативный член фонда свободного программного обеспечения.

Олег Горохов

Олег Горохов

Введение в глубокое обучение

Младший научный сотрудник кафедры интеллектуальных информационных технологий факультета ВМК МГУ имени М. В. Ломоносова. Разработчик методических материалов, куратор команды поддержки МФК; помогает студентам осваивать материалы и выполнять домашние задания.

Сергей Артамонов

Сергей Артамонов

Машинное обучение для решения прикладных задач; Введение в глубокое обучение

Аспирант кафедры математической теории интеллектуальных систем механико-математического факультета МГУ имени М. В. Ломоносова. Разработчик методических материалов и автор практических заданий.

Материалы курсов
и контакты

Все материалы курсов доступны на платформе
Teach-in HUB

Учебный отдел

edu.fai@org.msu.ru

+7 (495) 988-20-62

Фонд «Интеллект» — развития науки и образования