Инженер по машинному обучению и компьютерному зрению, способный: проводить настройку существующих моделей ИИ, дообучать модели ИИ, использовать ранее созданные программные библиотеки и фреймворки для решения задач индустрии, строить математические модели и разрабатывать системы на их основе.
Студенты получат знания и навыки в области разработки веб-, десктоп-, мобильных приложений, веб-сервисов, чат-ботов на языках программирования Python, Java, C/C++, JavaScript.
Математическая подготовка позволит понимать научные публикации в сфере ИТ и ИИ, использовать готовые, реализовывать известные и создавать новые алгоритмы, моделировать управление системами, разрабатывать информационные системы на основе математических моделей с использованием искусственного интеллекта.
Ключевые особенности программы бакалавриата «Современные методы машинного обучения и компьютерного зрения» заключается в том, что студенты:
- получают фундаментальные (базовые) навыки в области математики и статистики;
- осваивают языки программирования (Python, Java, C/C++, JavaScript/TypeScript) и инструменты (Git, JupyterHub, IDE VSCode), принципы чистого кода, ООП, структуры данных и алгоритмы, базы данных (реляционные, векторные, колоночные, SQL и NoSQL), технологии и инструменты проектирования (UML, BPMN) и разработки приложений (React, QT) и веб-сервисов (REST, JSON API, SOAP);
- получают знания и навыки применения алгоритмов линейной и логистической регрессии, деревьев решений (Random Forest, Gradient Boosting), SVM, кластеризации;
- понимают принципы работы нейронных сетей (прямого и обратного распространения, функций активации, функции потерь) и алгоритмы машинного зрения (фильтрация, определение границ объектов, поиск и сопоставление свойств);
- знают ключевые архитектуры нейронных сетей и модели для классификации (VGG, ResNet, EfficientNet, Vision Transformer), детекции объектов (YOLO, Faster R-CNN, DETR), сегментации (U-Net, DeepLab, Mask R-CNN), генерации текста, изображений и видео (GPT, DeepSeek, StableDiffusion, Wan);
- умеют работать с репозиториями моделей, находить и использовать предобученные модели из Hugging Face Hub, TensorFlow/PyTorch Hub, адаптировать готовые модели под конкретные данные и задачи и с использованием фреймворков Tensorflow, PyTorch, Keras, Transformers;
- имеют навыки сбора и разметки данных, создания конвейеров данных и обучения (MLFlow, Kubeflow), создания API (FastAPI), контейнеризации (Docker), развертывания приложений в продакшене на облачных платформах, а также навыки оркестрации (Kubernetes).