Архитектор данных
Московский физико-технический институт (Национальный исследовательский университет)![](https://s3.objstor.cloud4u.com/unti-prod-cat/CACHE/images/cover/1567.1712577343/84063efcf351f72066b07ca3e6ba3aff.jpg)
Описание
Программа посвящена технологиям работы с цифровыми данными (реляционными, потоковыми, большими данными) и проектированию архитектуры данных. Слушатели научатся организовывать хранение структурированных (реляционных) и больших данных, писать запросы на SQL, обнаруживать закономерности и аномалии методами машинного обучения, применять методы машинного и глубокого обучения для решения прикладных задач в том числе в области автоматической обработки естественного языка и компьютерного зрения, представлять собственные решения.
Обучение проходит в смешанном формате — предоставляются материалы онлайн-курса, а также проводятся регулярные вебинары-мастер-классы (в режиме реального времени, и в записи) и консультации. Поддержка обучающихся производится также с помощью мессенджера Телеграм. Обязательными для слушателей являются навыки программирования на любом высокоуровневом языке программирования. Преимуществом будет умение программировать на языке SQL, Python. Курс носит практико- ориентированный характер. В качестве упражнений пользователи будут обрабатывать наборы данных при помощи инструментов: реляционных СУБД и NoSQL хранилищ, библиотек языка программирования Python.
Часов в программе
Цель программы
Актуальность
Входная диагностика 1 час
Итоговая аттестация 50 часов
Компетенции
Общепрофессиональные
Способен понимать принципы работы современных информационных технологий и программных средств, в том числе отечественного производства, и использовать их при решении задач профессиональной̆ деятельности
Современные методы и инструментальные средства анализа больших данных
Технологии и программное обеспечение систем хранения и обработки информации
Организовывать разработку и согласование технического задания
Управлять внедрением информационно-технологических проектов
Методы машинного и глубокого обучения для решения прикладных задач, инструменты анализа данных
Способен участвовать в разработке стандартов, норм и правил, а также технической̆ документации, связанной̆ с профессиональной̆ деятельностью
Особенности разработки информационно-технологических проектов
Уметь:Взаимодействовать с пользователями аналитики и поставщиками данных, инструментария и сервисов
Проводить переговоры и совещания по тематике технологий больших данных с целью формирования и согласования технического задания на создание методической и технологической инфраструктуры больших данных
Разрабатывать и согласовывать проектную и эксплуатационную документацию информационно-технологических проектов
Методы машинного и глубокого обучения для решения прикладных задач, инструменты анализа данных
Профессиональные
Способен разрабатывать, согласовывать и управлять реализацией рабочего проекта методической и технологической инфраструктуры больших данных
Современные методы и инструментальные средства анализа больших данных
Рекомендации по использованию и опыт использования методов анализа больших данных
Рекомендации по использованию, опыт использования и интеграции современных инструментальных средств сбора, хранения, обработки и анализа больших данных
Рекомендации по использованию и опыт использования разнородных источников данных и информации в задачах анализа больших данных
Современная технологическая инфраструктура высокопроизводительных и распределенных вычислений
Разрабатывать и реализовывать информационно-технологические проекты
Управлять внедрением информационно-технологических проектов
Разрабатывать и согласовывать проектную и эксплуатационную документацию информационно-технологических проектов
Проводить презентации и согласования информационно-технологических проектов
Методы машинного и глубокого обучения для решения прикладных задач, инструменты анализа данных, язык программирования Python, SQL, реляционные и NoSQL СУБД
Готов управлять получением, хранением, передачей, обработкой больших данных
Потребности организации в обеспечении данными и информацией
Основы информационных систем и технологий
Основы анализа данных
Этапы жизненного цикла больших данных
Этапы анализа больших данных
Архитектуры и модели данных, адаптированные к технологиям больших данных
Архитектуры и модели баз и хранилищ данных, адаптированные к технологиям больших данных
Этапы жизненного цикла базы данных и хранилища данных
Технологии и программное обеспечение систем хранения и обработки информации
Источники больших данных
Методы и инструменты получения и приобретения больших данных
Методы и инструменты извлечения, преобразования и загрузки больших данных
Методы и инструменты передачи информации
Технологии, методы и инструментальные средства обработки больших данных
Пользоваться методами оценки эффективности системы хранения и обработки данных организации
Разрабатывать системы хранения и обработки данных
Проводить интеграцию систем хранения и обработки данных
Разрабатывать модели данных, адаптированных к технологиям больших данных
Пользоваться методами и инструментами получения, хранения, передачи, обработки больших данных
Методы машинного и глубокого обучения для решения прикладных задач, инструменты анализа данных, язык программирования Python, SQL, реляционные и NoSQL СУБД
Готов управлять отношениями с поставщиками данных и пользователями аналитики больших данных
Методы доставки больших данных и оценки стоимости доставки данных
Источники больших данных и условия работы с ними
Современные возможности приобретения и использования больших данных
Взаимодействовать с пользователями аналитики и поставщиками данных, инструментария и сервисов
Владеть:Основные методы и инструменты для анализа данных
Готов управлять качеством больших данных
Метрики качества больших данных
Базовые характеристики качества больших данных
Методы и технологии управления качеством больших данных
Определять происхождение данных и оценивать источники больших данных
Определять и устранять проблемные зоны при обеспечении качества больших данных
Измерять и оценивать качество больших данных
Методы машинного и глубокого обучения для решения прикладных задач, инструменты анализа данных, язык программирования Python, SQL, реляционные и NoSQL СУБД
Готов управлять защитой и обеспечением конфиденциальности больших данных
Принципы обеспечения безопасных вычислений в распределенных вычислительных средах
Принципы обеспечения безопасности в нереляционных базах данных
Принципы обеспечения безопасности при обработке потоковых данных в реальном времени
Выявлять и формулировать требования к обеспечению информационной безопасности и конфиденциальности при анализе больших данных
Владеть:Методы машинного и глубокого обучения для решения прикладных задач, инструменты анализа данных, язык программирования Python, SQL, реляционные и NoSQL СУБД
Способен классифицировать и идентифицировать задачи искусственного интеллекта, выбирать адекватные методы и инструментальные средства решения задач искусственного интеллекта
Различные типы задач искусственного интеллекта
Принципы работы основных методов и инструментальных средств искусственного интеллекта
Методы сбора и анализа данных для задач искусственного интеллекта
Принципы управления проектами
Классифицирует и идентифицирует задачи систем искусственного интеллекта в зависимости от особенностей проблемной и предметной областей
Выбирает методы и инструментальные средства искусственного интеллекта для решения задач в зависимости от особенностей проблемной области
Собирает исходную информацию и формирует требования к решению задач с использованием методов искусственного интеллекта
Методы машинного и глубокого обучения для решения прикладных задач, инструменты анализа данных, язык программирования Python, SQL, реляционные и NoSQL СУБД
Способен разрабатывать и применять методы машинного обучения для решения задач
Методы сбора, очистки и подготовки данных
Основные задачи машинного обучения
Метрики оценки качества моделей машинного обучения
Критерии качества моделей машинного обучения
Основные алгоритмы машинного обучения
Проводит анализ требований и определяет необходимые классы задач машинного обучения
Определяет метрики оценки результатов моделирования и критерии качества построенных моделей
Принимает участие в оценке и выборе используемых методов машинного обучения
Методы машинного и глубокого обучения для решения прикладных задач, инструменты анализа данных, язык программирования Python, SQL, реляционные и NoSQL СУБД
Способен использовать системы искусственного интеллекта на основе нейросетевых моделей и методов
Принципы работы различных типов нейронных сетей
Основные архитектуры нейронных сетей
Метрики оценки качества работы нейронных сетей
Осуществляет оценку и выбор моделей искусственных нейронных сетей и инструментальных средств для решения поставленной задачи
Владеть:Методы машинного и глубокого обучения для решения прикладных задач, инструменты анализа данных, язык программирования Python, SQL, реляционные и NoSQL СУБД
Способен осуществлять сбор и подготовку данных для систем искусственного интеллекта
Принципы работы различных типов нейронных сетей
Основные архитектуры нейронных сетей
Метрики оценки качества работы нейронных сетей
Выполняет подготовку и разметку структурированных и неструктурированных данных для машинного обучения
Владеть:Методы машинного и глубокого обучения для решения прикладных задач, инструменты анализа данных, язык программирования Python, SQL, реляционные и NoSQL СУБД
Способен осуществлять сбор и подготовку данных для систем искусственного интеллекта
Открытые наборы данных
Специализированные библиотеки
Репозитории кода
Осуществляет поиск данных в открытых источниках, специализированных библиотеках и репозиториях
Владеть:Методы машинного и глубокого обучения для решения прикладных задач, инструменты анализа данных, язык программирования Python, SQL, реляционные и NoSQL СУБД
Способен создавать и внедрять одну или несколько сквозных цифровых субтехнологий искусственного интеллекта
Машинное обучение
Компьютерное зрение
Обработка изображений
Алгоритмы глубокого обучения
Обработка естественного языка
Рекомендательные системы
Системы поддержки принятия решений
Нейросетевая архитектура
Интерпретация нейронных сетей
Участвует в реализации проектов в области сквозной цифровой субтехнологии «Компьютерное зрение»
Участвует в реализации проектов в области сквозной цифровой субтехнологии «Обработка естественного языка»
Участвует в реализации проектов в области сквозной цифровой субтехнологии «Рекомендательные системы и системы поддержки принятия решений»
Участвует в реализации проектов в области перспективных сквозных цифровых субтехнологий искусственного интеллект
Методы машинного и глубокого обучения для решения прикладных задач, инструменты анализа данных, язык программирования Python, SQL, реляционные и NoSQL СУБД
Требования
Обязательными для слушателей являются навыки программирования на любом высокоуровневом языке программирования
Квалификация
• Разработчик систем машинного обучения
• Руководитель проектов в области ИТ
• Специалист в одной из прикладных предметных областей внедрения искусственного интеллекта (финансовые технологии, телеком, промышленное производство, медицина и т.п.)
• Программист ( дата инженер)
Опыт профессиональной дятельности
Предварительное освоение иных дисциплин/курсов /модулей
Владение необходимыми профессиональными компетенциями
- Умение работать с реляционными (табличными) базами данных через формализованный язык запросов SQL
- Умение работать с большими (неструктурированными и полуструктурированными) данными
- Умение собирать функциональные требования по будущему цифровому сервису / продукту
- Знание анализа бизнес целей с учетом построения цифрового сервиса / продукта
- Знание принципов построения ER диаграмм (концептуальной схемы модели данных)
- Знание принципов построения логических диаграмм связей отношений (логической схемы модели данных)
- Знание принципов построения физической модели связей отношений
- Знание алгоритмов трансформации цифровых данных
- Знание работы алгоритмов классического машинного обучения
- Знание работы алгоритмов глубокого обучения (включая алгоритмы Компьютерного Зрения, NLP)
Иные требования и рекомендации для обучения по программе
Обязательными для слушателей являются навыки программирования на любом высокоуровневом языке программирования
Модули
свернутьПреподаватели
![](https://s3.objstor.cloud4u.com/unti-prod-cat/CACHE/images/instructor/1567.1692266634/7fcf5953f35005abeaa31edb62c1a017.jpg)
Якупов
Азат Шавкатович
Лаборатория DataLab Казанского Федерального Университета
Руководитель лаборатории, архитектор данных, преподаватель
https://docs.yandex.ru/docs/view?url=ya-disk-public%3A%2F%2F5tPwniB%2BSGw4SYW0dl4%2FGkYrY4s6YIeNVXsnhX1xYj0jYMGytpMis36zuvjyB66PsLK2WbwBkR%2F%2FqfmVHoPilw%3D%3D%3A%2F%D0%AF%D0%BA%D1%83%D0%BF%D0%BE%D0%B2%20%D0%90.%D0%A8..pdf&name=%D0%AF%D0%BA%D1%83%D0%BF%D0%BE%D0%B2%20%D0%90.%D0%A8..pdf&nosw=1![](https://s3.objstor.cloud4u.com/unti-prod-cat/CACHE/images/instructor/1567.1680774486/3cdca9ac113a3e108f3986abb4ce7744.jpg)
Кошелев
Антон Александрович
Банк Уралсиб
Руководитель группы математического моделирования
кандидат физико-математических наук
![](https://s3.objstor.cloud4u.com/unti-prod-cat/CACHE/images/instructor/1567.1680773939/02d50c03fe9a8a2ba0cce53ebc43c55f.jpg)
Созыкин
Андрей Владимирович
Московский физико-технический институт (Национальный исследовательский университет)
Заместитель директора центра развития ИТ-образования МФТИ
кандидат технических наук
https://www.asozykin.ru/![](https://s3.objstor.cloud4u.com/unti-prod-cat/CACHE/images/instructor/1567.1680775418/2ee5c01945d56c9c2010a38b926b394b.jpg)
Долганов
Антон Юрьевич
УрФУ
доцент
кандидат технических наук
https://urfu.ru/ru/about/personal-pages/Personal/person/anton.dolganov/![](https://s3.objstor.cloud4u.com/unti-prod-cat/CACHE/images/instructor/1567.1680774991/835968651cd93966ee671c69f6fdbe8e.jpg)
Чернышов
Юрий Юрьевич
Сайберлимфа
исследователь
кандидат физико-математических наук
![](https://s3.objstor.cloud4u.com/unti-prod-cat/CACHE/images/instructor/1567.1680775253/994b6499485e4a1eac25473cad079c29.jpg)
Борисов
Василий Ильич
УрФУ
доцент
кандидат технических наук
https://urfu.ru/ru/about/personal-pages/personal/person/v.i.borisov/![](https://s3.objstor.cloud4u.com/unti-prod-cat/CACHE/images/instructor/1567.1712311209/804809cbef926caa5d88bea199845612.jpg)
Ронкин
Михаил Владимирович
Уральский федеральный университет
преподаватель
к.т.н.
https://sciencedata.urfu.ru/portal/ru/persons/--(9f605ba0-4452-45e3-90d8-e20bbc574bdb)/activities.html![](https://s3.objstor.cloud4u.com/unti-prod-cat/CACHE/images/instructor/1567.1712312013/358ef32c61ca3612206afc756b29392e.jpg)
Черноскутов
Михаил Александрович
Уральский федеральный университет
Старший преподаватель
https://sciencedata.urfu.ru/portal/ru/persons/--(b94a0f40-ede8-4f52-9dec-56c7c223e552).htmlПрофстандарт
Специалист по большим данным
06.042Специальность
Архитектор данных (Data Architect)
Отрасль
Промышленность
Ответственный за программу
+79127096478