Наука и технологии анализа данных: программа бакалавриата в вузах Новосибирска

Содержание обучения построено вокруг полного цикла работы с информацией: от очистки «сырых» логов до внедрения самообучающихся алгоритмов в промышленную эксплуатацию. Студентам предстоит освоить принципы проектирования высоконагруженных систем, способных обрабатывать потоки событий в реальном времени. Важное место занимает изучение математического аппарата, адаптированного для инженерных задач, — линейной алгебры, теории вероятностей и оптимизационных методов.

Основной фокус сделан не просто на аналитике, а на реализации конечного цифрового продукта: написание чистого, тестируемого кода, контейнеризация приложений и организация конвейеров данных. Выпускник научится создавать надежные программные решения на основе реальных бизнес-требований.

Примерный перечень дисциплин:

• Алгоритмизация и основы программирования (Python/C++)
• Объектно-ориентированное программирование
• Паттерны проектирования программного обеспечения
• Технологии разработки программных продуктов
• Тестирование и отладка программного обеспечения
• Системы контроля версий
• Базы данных и язык SQL
• Проектирование архитектуры программных систем
• Линейная алгебра для задач анализа данных
• Математический анализ (в объёме, достаточном для программиста)
• Теория вероятностей и математическая статистика
• Дискретная математика и комбинаторика
• Оптимизационные методы в машинном обучении
• Численные методы и вычислительная математика
• Математическое моделирование
• Теория графов и сетевой анализ
• Сбор и очистка неструктурированных данных 
• Хранилища данных и озёра данных 
• Проектирование конвейеров данных
• Работа с большими данными
• Индексация и поиск данных 
• Потоковая обработка данных 
• Качество данных и управление метаданными
• Временные ряды и работа с сенсорными данными
• Введение в машинное обучение
• Статистические методы анализа данных 
• Визуализация данных и исследовательский анализ 
• Линейные модели и деревья решений
• Ансамблевые методы 
• Нейронные сети и глубокое обучение
• Обработка естественного языка (NLP) для инженеров
• Анализ изображений и сигналов
• Контейнеризация и оркестрация 
• CI/CD для аналитических приложений
• Развёртывание и мониторинг моделей в продакшене 
• Облачные платформы анализа данных
• Защита данных и информационная безопасность в аналитических системах
• Разработка микросервисов для машинного обучения
• Инструменты orchestration workflow
• Управление проектами по разработке интеллектуальных систем (Agile/Scrum).