Tietojenkäsittelyn maisteri
HSE University
Keskeiset tiedot
Kampuksen sijainti
Moscow, Venäjä
Kieli (kielet
Englanti
Opintomuoto
Kampuksella
Kesto
2 vuotta
Vauhti
Täysaikainen
Lukukausimaksut
RUB 390 000 / per year *
Hakemuksen määräaika
Pyydä tietoja
Aikaisin aloituspäivä
Pyydä tietoja
* 195000-390 000 RUB / vuosi
Apurahat
Tutki stipendimahdollisuuksia opintojen rahoittamiseksi
Johdanto
Nykyaikainen IT-teollisuus nostaa Big Datan ongelman analysoidakseen kasvavaa datamäärää nykypäivän yhteiskunnan kaikilla alueilla. Samoin akateeminen yhteisö on luomassa nousevaa tietojenkäsittelyalaa. Tämä ohjelma sisältää koulutusta laskennallisten mallien, matemaattisen mallinnuksen ja ennustamisen, tietokonearkkitehtuurin, edistyneiden ohjelmointitekniikoiden sekä tietojen tallennuksen ja noutamisen aloilla. Monitieteisen suunnittelunsa ansiosta tämä ohjelma voi toimia selkärangana, joka on kiinnostava lukuisien tiedekuntien tutkinnon suorittaneille sekä tutkimuskeskusten henkilökunnalle. Ohjelman valmistuneet pystyvät ratkaisemaan ongelmat, jotka liittyvät tietojen hakuun, keräämiseen, tallentamiseen, valmisteluun ja analysointiin sekä tulosten tulkintaan erikoistumisalalla.
Ohjelman yleiskuvaus
Tietojenkäsittelytieteen maisteriohjelma sisältää kokopäiväisen koulutusradan englanninkielisille opiskelijoille, joka koostuu joukosta perusaloja ja erilaisia valinnaisia ja valinnaisia englanninkielisiä kursseja.
Ohjelman tavoitteena on kouluttaa korkeasti koulutettuja soveltavan matematiikan, informaatiotieteen ja data-analyysin asiantuntijoita.
Ohjelma sisältää perusteellisen tutkimuksen tekoälymallien matemaattisista menetelmistä ja nykyaikaisista tietojen analysointimenetelmistä, monimutkaisten järjestelmien matemaattisesta ja informaatiomallinnuksesta sekä näiden menetelmien tietokonetoteutuksesta. Tämän kurssin valmistuneiden tiedot ja taidot ovat Venäjän federaation ministeriöiden ja instituutioiden, alueellisten hallintojen ja suurten yritysten vaatimia.
Internet-data-analyysin erikoistumisen käsite ja opetussuunnitelma on kehitetty yhdessä Yandexin kanssa. Tähän kappaleeseen kuuluu yhtiön henkilöstön erityisalojen opetus, opiskelijoiden, jatko-opiskelijoiden ja luennoitsijoiden osallistuminen Yandexin ehdottamiin ja sen liiketoimintaan liittyviin tehtäviin, Yandexin opiskelijoiden ammatillinen koulutus ja yhteinen tutkimus Yandexin henkilökunnan kanssa.
Pääsymaksut
Opetussuunnitelma
Ohjelma sisältää 3 erikoisalaa ja kokopäiväisen englanninkielisen kappaleen (120 op):
Englanninkielinen kappale
Yleinen opetussuunnitelman sisältö
Silloituskurssit:
- Diskreetti matematiikka sovellusten ja algoritmien kehittämiseen
- Todennäköisyysteoria ja matemaattiset tilastot
- Opintoalueen komponentit
Peruskurssit:
- Nykyaikaiset tietojen analysointimenetelmät
- Nykyaikaiset päätöksentekomenetelmät
- Verkostotiede
- Koneoppiminen ja tiedonlouhinta
Valinnaisia kursseja:
- Automaattiset menetelmät ohjelman tarkistamiseksi
- Lääketieteen tietotekniikka
- Tietojen analysointi lääketieteessä
- Data- ja palvelutekniikka liiketoimintaprosessien automatisoimiseksi
Internet -tietojen analyysi
Peruskurssit:
- Nykyaikaiset tietojen analysointimenetelmät
- Nykyaikaiset päätöksentekomenetelmät
- Koneoppiminen
- Algoritmit ja tietorakenteet
- Menetelmät ja järjestelmät suuren datan käsittelyyn
Valinnaisia kursseja:
- Todennäköisyys- ja tilastolliset lähestymistavat päätöksenteossa
- Teoria Rinnakkais- ja hajautetut laskelmat
- Optimointi koneoppimisessa
- Kuva- ja videoanalyysi
- Tekstien automaattinen käsittely
- Deep Learning
Älykkäät järjestelmät ja rakenneanalyysi
Silloituskurssit:
- Diskreetti matematiikka sovellusten ja algoritmien kehittämiseen
- Todennäköisyysteoria ja matemaattiset tilastot
Peruskurssit:
- Nykyaikaiset tietojen analysointimenetelmät
- Nykyaikaiset päätöksentekomenetelmät
- Tilatut sarjat data -analyysissä
- Verkostotiede
- Johdatus koneoppimiseen ja tiedonlouhintaan
- Koneoppiminen ja tiedonlouhinta
Valinnaisia kursseja:
- Laskennallinen kielitiede ja tekstianalyysi
- Informaatioteoria ja yhdistelmähaun teoria
- Tekoälyn suunnittelun ja toteuttamisen perusteet
- Järjestelmäpelit ja päätökset tietojen analysoinnissa ja mallinnuksessa
- Tietojen analysointi lääketieteessä
- Suuri tiedon analysointi
- Deep Learning
- Automaattiset menetelmät ohjelman tarkistamiseksi
- Lääketieteen tietotekniikka
- Vahvat menetelmät tilastoissa
- Päätöksenteko ja tietojen analysointi epävarmuuden ja epäselvyyden alla
- Liiketoimintaprosessien automatisointi koneoppimisen avulla
Monimutkaisten järjestelmien mallinnustekniikat
Silloituskurssit:
- Diskreetti matematiikka sovellusten ja algoritmien kehittämiseen
- Todennäköisyysteoria ja matemaattiset tilastot
Peruskurssit:
- Nykyaikaiset tietojen analysointimenetelmät
- Nykyaikaiset päätöksentekomenetelmät
- Tilatut sarjat data -analyysissä
- Nykyaikaisen tietoliikenteen matemaattiset perusteet
- Ennustavan mallinnuksen tilastolliset menetelmät
- Geometriset menetelmät ennustavaan mallintamiseen
Valinnaisia kursseja:
- Laskennallinen kielitiede ja tekstianalyysi
- Informaatioteoria ja yhdistelmähaun teoria
- Tekoälyn suunnittelun ja toteuttamisen perusteet
- Järjestelmäpelit ja päätökset tietojen analysoinnissa ja mallinnuksessa
- Tietojen analysointi lääketieteessä
- Suuri tiedon analysointi
- Deep Learning
- Automaattiset menetelmät ohjelman tarkistamiseksi
- Lääketieteellinen tietotekniikka
- Vahvat menetelmät tilastoissa
- Päätöksenteko ja tietojen analysointi epävarmuuden ja epäselvyyden alla
- Liiketoimintaprosessien automatisointi koneoppimisen avulla
Uramahdollisuudet
Ohjelman valmistuneet hankkivat tarvittavia taitoja ja osaamista johtavilla online-alustoilla, mukaan lukien menetelmät ja työkalut suurten tietomäärien käsittelyyn (Big Data), tietojen esikäsittely (Extract-Transform-Load), tiedonlouhinta (Data Mining), tieto poiminta (Knowledge Discovery), hakukoneiden luominen (hakukoneet), sosiaalisten verkostojen analyysi (Social Network Analysis), algoritmien skaalaus (Hadoop- ja Map-Reduce-tekniikat) ja taloudelliset aikasarjojen ennusteet.