искусственный интеллект и машинное обучение политех
Компьютерная лингвистика и искусственный интеллект
Код направления подготовки
Наименование направления подготовки/специальности
Вступительные испытания и минимальные баллы
Прием иностранных граждан
Создание интеллектуальных систем и устройств является ключевым трендом развития IT-области. Крупнейшие ИТ-компании (Google, Microsoft, IBM, Facebook, Яндекс) ведут активные разработки по созданию интеллектуальных сервисов и агентов, опираясь на междисциплинарные исследования в области машинного обучения, компьютерной лингвистики, нейронаук, когнитологии, информатики и психологии. В программе CLAIM мы сочетаем изучение широко распространенных методов ИИ и инженерии знаний (нейронные сети, генетические алгоритмы, методы глубокого машинного обучения и обработки больших данных, экспертные системы, data mining, text mining) и авторских разработок Ведущей научной школы России в области психолингвистики.
Во время обучения вы можете выбрать проектно-исследовательскую специализацию, направленную на изучение методов обработки естественного языка (Cognizer), разработку жестомимического интерфейса (SurdoJet), изучение музолингвальных и других перспективных когнитивных технологий.
Мы приглашаем вас присоединиться к команде исследователей и разработчиков прорывных технологий в области искусственного интеллекта.
Магистерская программа спроектирована и развивается в рамках направления «NeuroNet» Национальной технологической инициативы и Федерального проекта «Искусственный Интеллект» Национальной программы «Цифровая экономика».
Программа допускает составление индивидуальных образовательных траекторий и программ обучающихся, что позволяет учесть индивидуальные особенности магистрантов, реальность их жизненных ситуаций и обстоятельств, интересы работодателей и др. особенности реализации высшего образования.
Одной из важнейших особенностей программы является ее привязанность к конкретным проектам, которые реализуются штатными и приглашенными членами научно-педагогического коллектива. Будучи привязанными к конкретным проектам, программы ограничены не только сроком их реализации, но и сроками выполнения проектов. Программа реализуется в сроки проведения проекта, и после его завершения заканчивается. Фактически разработка или обновление магистерской программы сводится к созданию или обновлению учебно-методической надстройки над некоторым научно-исследовательским проектом.
Проекты, на основе которых осуществляется программа, представляют собой научно-исследовательские и опытно-конструкторские разработки, выполняемые коллективом ученых и специалистов, связанных с какой-либо организацией (компания, промышленное предприятие, НИИ и т.п.) или специально созданным коллективом единомышленников исполнителей работ по научному гранту, финансируемому какой-либо организацией.
Проект должен являться инновационным, иметь конкретную цель и задачи. В процессе его выполнения должен создаваться наукоемкий интеллектуальный продукт, имеющий научную новизну, практическую ценность и значимость, нацеленный на получение экономически и социально эффективных актуальных для науки и промышленности решений.
Программа имеет высокий уровень ресурсной обеспеченности — кадровой, учебно-методической (научно-образовательной) и информационной. Программа реализуется в рамках научной школы «Информационные технологии семиотики, лингвистики, когнитологии». Основной педагогический ресурс программ представлен Научно-образовательным кластером Компьютерной лингвистики и искусственного интеллекта (НОК CLAIM)
В составе коллектива, представляющего научную школу, 11 кандидатов технических наук, один Лауреат премии Президента РФ в области образования, средний возраст — 35 лет. 9 членов коллектива являются руководителями IT компаний или их подразделений. В составе коллектива 8 аспирантов и соискателей ученых степеней.
За последние годы по тематике магистерской программы членами коллектива опубликовано: 20 монографий и учебных пособий, более 300 научных статей. Выполнены 25 научных проектов. Защищено 18 кандидатских диссертаций. Выполнено более 70 дипломных проектов и магистерских диссертаций.
#Кем_стать: специалистом по искусственному интеллекту и машинному обучению
На кого учиться, чтобы быть востребованным специалистом в будущем, рассказываем в спецпроекте «Кем стать». Среди образовательных программ Политеха, открывших прием в этом году, магистерская программа «Искусственный интеллект и машинное обучение» – одна из самых перспективных. И теоретики, и практики сходятся во мнении, что нынешний уровень использования искусственного интеллекта не отображает весь его потенциал, а значит, здесь есть большие возможности для профессионального развития.
Магистерская программа «Искусственный интеллект и машинное обучение» реализуется на базе Института прикладной математики и механики СПбПУ. «Цель программы – это подготовка уникальных специалистов, будущих лидеров в области искусственного интеллекта, которые будут развивать национальный проект по созданию цифровой экономики. Популярность данного направления на сегодняшний день сложно переоценить: спрос на специалистов в области интеллектуального анализа данных и машинного обучения очень высок и постоянно растет», – комментирует Алексей ЛУКАШИН, руководитель программы, доцент Высшей школы прикладной математики и вычислительной физики СПбПУ.
Данная программа магистратуры охватывает не только основы искусственного интеллекта и машинного обучения, но и специальные разделы математики, ориентированные на обработку данных, элементы параллельного программирования и даже философские вопросы искусственного интеллекта. Среди наиболее важных и интересных предметов можно выделить «Машинное обучение» и «Глубокое машинное обучение», а также курсы по обработке больших данных и суперкомпьютерным технологиям.
«На постоянной основе мы проводим вечерние семинары по машинному обучению, куда приглашаем представителей компаний-партнеров и научных организаций и, конечно, студентов. В такой неформальной обстановке мы обсуждаем свежие публикации и разбираемся в новейших технологиях», – добавляет Алексей ЛУКАШИН.
Поскольку современные технологии машинного обучения требуют мощного вычислительного оборудования, для практической подготовки студентов задействуются ресурсы суперкомпьютерного центра «Политехнический», который входит в топ-5 самых производительных суперкомпьютерных центров в России. В рамках практических занятий студенты решают реальные задачи промышленности и медицины, которые предоставляют индустриальные партнеры Политехнического университета. Среди них можно выделить: Санкт-Петербургский онкологический центр, Институт мозга человека им. Н.П. Бехтеревой, Национальный медицинский исследовательский Центр им. В.А. Алмазова РАН, ПАО «Газпром нефть», ООО «Автоматика сервис», ООО «Газпромнефть НТЦ», ООО «Газинформсерсвис», Intel, IBM, EPAM Systems, ООО «Центр Реактивного Программирования».
«Совместно с партнерами в Политехническом университете выполняется ряд проектов в области интеллектуальной медицины (диагностика рака легких, анализ выживаемости), кибербезопасности, суперкомпьютерных и параллельных вычислений, анализа данных в нефтегазовой отрасли. В рамках обучения каждый сможет поучаствовать в реальном проекте или заняться научными исследованиями», – уверен Лев УТКИН, научный руководитель программы, профессор Высшей школы прикладной математики и вычислительной физики СПбПУ.
Более того, Политехнический университет совместно с Правительством Санкт-Петербурга и другими вузами города является создателем научно-образовательного центра «Искусственный интеллект в промышленности». Это, в свою очередь, дает возможность участия в проектах, хакатонах и семинарах научно-образовательного центра, в том числе на новой высокотехнологичной площадке ПАО «Газпром нефть» в Новой Голландии. Планируется развитие данной программы подготовки с возможностью получения двойного диплома совместно с ведущими европейскими университетами, а также обменные программы и летние школы.
Выпускники программы «Искусственный интеллект и машинное обучение» смогут претендовать на такие престижные позиции, как аналитик данных, специалист по машинному обучению, инженер по данным, дата-сайентист, инженер-исследователь. Спрос на этих специалистов крайне высок в IT-компаниях (Цифра, Яндекс, EPAM Systems, Huawei, ЦРТ, JetBrain, Luxoft, Газинформсервис, и др.) и на высокотехнологичных предприятиях (ПАО «Газпром нефть», Ростех, Росатом, ОДК, ОСК, и др.). Кроме того, специалисты в данной области крайне востребованы в науке и могут работать на должностях научных сотрудников в университетах и научных центрах России и мира.
По вопросам поступления и обучения на программе «Искусственный интеллект и машинное обучение» можно обращаться к доценту Высшей школы прикладной математики и вычислительной физики Алексею Андреевичу ЛУКАШИНУ (alexey.lukashin@spbstu.ru) и профессору Льву Владимировичу УТКИНУ (utkin_lv@spbstu.ru).
Материал подготовлен Управлением по связям с общественностью по информации Высшей школы прикладной математики и вычислительной физики
Искусственный интеллект и машинное обучение
О программе
В ходе обучения студенты получают фундаментальную подготовку в области искусственного интеллекта и машинного обучения, которая включает в себя глубокие знания в современное программирования на различных языках и на различных платформах. В рамках профиля студенты получат практические навыки в большинстве современных технологиях машинного обучения и искусственного интеллекта (нейронные сети, байесовское обучение, генетические алгоритмы, обучение с подкреплением).
Варианты обучения
Условия поступления
Предметы ЕГЭ
Поступление по олимпиаде
Можно поступить без экзаменов, победив в одной из олимпиад
Дополнительные баллы к сумме ЕГЭ
- 10 баллов за аттестат с отличием 10 баллов за диплом колледжа с отличием 2 балла за Золотой значок ГТО 1 балл за спортивные достижения: звания чемпиона мира, Европы или Олимпийских (и Паралимпийских) игр, статус мастера спорта или кандидата в мастера спорта 1-4 балла за волонтерская деятельность 5-10 баллов за результаты олимпиад и творческих конкурсов, не используемые для получения особых прав 7 баллов за наличие статуса победителя чемпионата по профессиональному мастерству среди инвалидов и лиц с ограниченными возможностями здоровья (ОВЗ) «Абилимпикс»
Преимущества обучения
Факультативные занятия
На базе института создана группа по изучению одного из самых перспективных направлений — блокчейн-технологий. Во время занятий рассматриваются как теоретические, так и практические аспекты технологии блокчейн.
Научные соревнования
Институтом регулярно организовываются крупные соревнования в области информационной безопасности «Кибербиатлон». Студенты решают задания по криптографии, стеганографии, уязвимости веб-приложений и другим аспектам компьютерной и информационной безопасности.
Практика
Студенты проходят практику в таких организациях, как: Российские космические системы, Авиационный комплекс имени С.В. Ильюшина, Научно-исследовательский институт точных приборов и другие.
Особенности программы
В ходе обучения студенты получают фундаментальную подготовку в области искусственного интеллекта и машинного обучения, которая включает в себя глубокие знания в современное программирования на различных языках и на различных платформах. В рамках профиля студенты получат практические навыки в большинстве современных технологиях машинного обучения и искусственного интеллекта (нейронные сети, байесовское обучение, генетические алгоритмы, обучение с подкреплением).
Работодатели-партнеры
Компания занимается разработкой, модернизацией, испытаниями, подготовкой и сопровождением производства авиационной техники, поддержанием летной годности самолетов марки «Ил». Направления сотрудничества с МИРЭА: подготовка специалистов в рамках целевого обучении, прохождение различных видов практик, выполнение ВКР на базе предприятия, трудоустройство выпускников.
Ведущий в России разработчик и поставщик высокоточного вооружения морского и авиационного базирования. Направления сотрудничества с МИРЭА: подготовка специалистов в рамках целевого обучения, прохождение различных видов практик, выполнение ВКР на базе предприятия, трудоустройство выпускников.
Одно из крупнейших предприятий России по производству авиационных двигателей, которое занимается разработками в области двигателестроительной и газотурбинной техники, имеющими стратегическое значение для отечественной промышленности. Направления сотрудничества с МИРЭА: подготовка специалистов в рамках договора о целевом обучении, прохождение различных видов практик, выполнение ВКР на базе предприятия, трудоустройство выпускников.
Отзывы
Об этом учебном заведении пока никто не оставил отзыв. Станьте первым!
Эти люди создают искусственный интеллект — 4 истории специалистов по ИИ и ML
Четыре опытных специалиста о том, как занялись искусственным интеллектом, с какими сложностями столкнулись и какие задачи решают.
«Поначалу всегда было страшно, но я ни разу не пожалел»
Григорий Сапунов, CTO, Intento
Сооснователь и технический директор в стартапе, отвечает за технологическое развитие, архитектуру решений и оценку их качества, применение AI и другие технические вопросы, занимается управлением, разработкой и наймом сотрудников.
Начало пути. Сложно сказать, что именно привело меня в профессию: ещё с детства мне было интересно программирование. Параллельно я интересовался психологией, биологией, математикой, радиоэлектроникой, читал журналы «Юный техник» и «Юный натуралист».
Долгое время всё, что связано с искусственным интеллектом, было для меня скорее хобби, чем профессией. В какой-то момент я понял, что эти темы составляют и заметную часть моих рабочих задач. Можно сопоставить это с моим приходом в Яндекс в 2007 году.
Первые трудности. В моём случае переход был постепенным: моя профессиональная деятельность началась с разного рода ИТ-проектов, а первым «коммерческим» проектом стала поисковая система для «Московской коллекции рефератов», написанная на Perl. Не всегда удавалось разобраться в новых темах с первого раза, приходилось перечитывать по несколько разных книг, чтобы что-то понять, а также много экспериментировать.
Я неоднократно ввязывался в совершенно новые проекты, где на старте у меня полностью отсутствовали нужные знания — приходилось осваивать по ходу дела. Поначалу всегда было страшно, но я ни разу не пожалел.
Чтобы разобраться, как всё работает, практически всегда я начинал программировать с самого низкого уровня. Так было и с алгоритмом рисования линии Брезенхема, затенением по Фонгу или Гуро — когда изучал компьютерную графику, и с созданием простой нейросети, реализацией метода опорных векторов или генетического алгоритма— когда глубже погружался в ИИ. Потом я долго перебарывал себя: не хотел пользоваться готовыми библиотеками и старался написать всё своё с нуля.
Профессиональные задачи. Искусственный интеллект стал довольно универсальной технологией. За последние несколько лет с помощью ML или Software Engineering я вместе с коллегами делал очень разные задачи:
Сейчас я определяю слабые и сильные стороны моделей и сервисов на базе искусственного интеллекта. Это помогает выбрать, какие из них подходят под конкретную бизнес-задачу.
Планы на будущее. Что планирую делать дальше? Буду применять свои наработанные навыки в сферах медицины и биологии, изучать «психологию» естественных и искусственных сложных систем, пытаться создать ИИ-ученого или, как минимум, ассистента, чтобы повысить свою эффективность. Планирую также освоить несколько новых для себя языков программирования: Rust, Swift, Kotlin, Julia или Elixir. А также попробую сделать больше «железных» проектов с искусственным интеллектом на базе Jetson Nano, Google Edge TPU или с FPGA.
Дмитрий Коробченко, Deep Learning R&D Engineer and Manager, NVIDIA
Руководитель R&D группы, занимается обработкой изображений: применением нейросетей для обработки изображений, компьютерной графики, анимации и физической симуляции.
Начало пути. Во время учёбы в университете я увлекался компьютерным зрением и поэтому решил вступить в Лабораторию компьютерной графики и мультимедиа на факультете вычислительной математики и кибернетики МГУ.
Работая в Samsung после университета, я вернулся к компьютерному зрению: одним из первых моих проектов стал анализ медицинских изображений с применением свёрточных нейронных сетей. А когда в 2012 году нейронные сети активно распространились и на другие области, спектр моих проектов значительно расширился.
Профессиональные задачи. Будучи Deep Learning R&D Engineer, я занимаюсь как исследованиями, так и разработкой: от создания новых алгоритмов и проведения различных экспериментов до реализации конечных продуктов с последующей оптимизацией. Кроме того, последние несколько лет я выступаю с мастер-классами и являюсь преподавателем на курсах по машинному обучению и нейронным сетям в различных школах дополнительного образования.
Сейчас большинство моих задач связаны со сложными типами данных — изображениями, звуками, полигональными моделями, тензорные данными и так далее. В том числе я продолжаю заниматься компьютерным зрением: классификацией изображений, детектированием объектов, семантической сегментацией; создаю нейросетевые фреймворки.
Планы на будущее. В моих ближайших планах усилить R&D группу, специализирующуюся на нейронных сетях в московском офисе NVIDIA, а также продолжить развиваться в образовательной сфере в области искусственного интеллекта: делать контент для лекций, курсов и личного YouTube-канала.
Машинное обучение
«На заре 2000-х термина Data Scientist не существовало, но по сути я занималась именно этим»
Анна Костикова, Director Data Science and Bioinformatics в Novartis
Руководит командой, в задачи которой входит создание персонализированной медицины при разработке новых лекарств. Суть работы группы заключается в том, что лекарства разрабатываются и подбираются на основе анализа цифровой информации о ДНК, белках и клинических данных пациентов. Для этого Анна и её команда используют машинное обучение, биоинформатику и статистику.
Начало пути. На заре 2000-х термина Data Scientist не существовало, но по сути я занималась именно этим. Например, в университете я нашла подработку, где должна была собрать данные для базы данных, придумать структуру и сделать так, чтобы с базой можно было работать. Всё это я делала в MS Access на компьютере с 512 Мб оперативный памяти и 1 Гб места на жестком диске 🙂
На третьем курсе я устроилась на стажировку в некоммерческую компанию, где занимались анализом космических снимков. Именно тогда я впервые попробовала применить нейронные сети, классификацию без обучения и с ним, fuzzy logic и так далее. Тогда компьютеры с 4 гигабайтами оперативной памяти были сравнимы чуду, и мы не выключали их на выходные — чтобы они «досчитывали», пока мы отдыхали.
Первые трудности. Впервые работа с официальным «титулом» Data Scientist появилась у меня в 2014 году. Тогда я устроилась в Booking.com и узнала, каково работать в этой сфере в промышленных масштабах: с выборками данных в миллиарды строк.
В любой области первые два года самые сложные: вся терминология для тебя новая, непонятно, что важно, а что нет.
Обучение новому — это всегда сигмоидная функция: надо преодолеть первое плато, когда кажется, что ты никогда не разберешься. Например, в аспирантуре в Швейцарии мне нужно было научиться анализировать геномные данные и написать скрипт на Perl для масштабного анализа. На тот момент я ничего из этого не знала, но как-то выкрутилась. Главное — не бояться и пробовать.
Профессиональные задачи. В моей практике было очень много разных задач: от анализа космических снимков для WWF до оптимизации процесса пивоварения в Heineken, от предсказания поведения пользователей в интернете для Booking.com до предсказания работы лекарств в Novartis.
Сейчас я работаю директором по анализу данных и биоинформатики в Novartis. Еще у меня своя компания в области диагностики рака. Я бы очень хотела максимально использовать Data Science и машинное обучение для здравоохранения и медицины — от разработки лекарств до диагностики. Я верю, что следующие 20 – 50 лет львиная доля усилий аналитиков во всем мире будет направлена на решение именно биомедицинских задач, изменение качества жизни человечества, а не только на оптимизацию в интернете и на производстве.
«Тогда я был уверен, что уже знаю всё, хотя ещё вообще ничего не знал»
Никита Семенов, NLP team lead, центр искусственного интеллекта МТС
Руководит командами NLP и занимается всем, что связано с обработкой и пониманием естественного языка.
Начало пути. Ещё на первых курсах института я начал факультативно изучать машинное обучение: учился по специальности «Компьютерная безопасность», но постепенно понял, что не хотел бы связать с ней свою жизнь. Мой научный руководитель закончил Миланский политех по программе Computer Science, и с ним мы начали развивать факультативный курс по машинному обучению. Подобного термина тогда не существовало, и во всём мире говорили только об элементах статического обучения, которые мы и изучали. К сожалению, в России до сих пор нет подобных программ по Computer Science.
Найти работу после вуза именно по профилю машинного обучения было крайне сложно — сфера только зарождалась. Поэтому я вышел в небольшой стартап, который занимался автоматизацией ставок на сайтах контекстной рекламы по типу Google AdWords. Моей первой задачей было разработать механизм исходя из статистики и предиктивной способности цели таким образом, чтобы мы всегда занимали не первую ставку, а вторую или третью — эти строки тоже показывают в топе выдачи, но они значительно дешевле. Тогда я был уверен, что уже знаю всё, хотя ещё вообще ничего не знал.
Первые трудности. Для меня большую трудность составляли софт-скиллы: нужно было объяснить, чем я занимаюсь, что это всё значит, как и что интерпретировать, и какой будет эффект, людям, которые вообще ничего не понимали в моей сфере. Тогда процессы взаимного обучения ещё не были мейнстримом, поэтому взаимодействовать с командой было очень сложно. Я постоянно практиковался: пробовал доносить свои мысли и объяснять команде даже самые простые метрики. Думаю, если бы сейчас я только начинал свою карьеру, то не смог бы так сильно прокачаться в общении — подобные вопросы уже практически никто не задает.
С хард-скиллами проблем не было: тогда мои задачи опирались на статистическое обучение и математику, в которых я хорошо разбирался. Несмотря на это, я всё равно читал книги: в Data Sience нужно постоянно развиваться, чтобы разбираться в инструментах и трендах. Вообще, весь мой опыт работы — это один большой челлендж. Каждое место требовало новых инструментов и знаний, поэтому развиваться самостоятельно приходилось всегда.
После работы в стартапе была компания, где я стал первым Data Scientist и R&D: помогал настраивать первые инструменты аналитики, занимался компьютерным зрением и построением предиктивных моделей на основе данных с космических спутников.
Профессиональные задачи. В МТС я пришел на позицию Senior computer vision engineer, а потом дорос до тимлида двух команд. Мне особенно важно прокачивать soft-скиллы, ведь тимлид — это играющий тренер. Если говорить о задачах, то здесь я занимаюсь всем, что связано с обработкой и пониманием естественного языка. Сейчас это уже своеобразный тренд, который задаёт новые тренды, направленные на упрощение жизни человека в будущем.
Со временем я понял, что предметная область не так сильно влияет на область твоих знаний. В моем случае предметная область всегда затрагивает то, как обработать и применить данные к какому-либо решению. А подходы всегда остаются одинаковыми. И когда в предметной области специалисты придумывают инновационное решение, например, в компьютерном знании, со временем оно перетекает в другие области. В связи с этим грань между областями постепенно стирается, а подходы и базы становятся похожи.
Главная проблема нашей сферы заключается в том, что она развивается очень неравномерно. Приведу пример: в Data Science долгое время всё может быть спокойно, а потом кто-то резко придумывает решение, и через короткое время эти прорывные вещи становятся стандартом для всех. В плане работы это и хорошо, и плохо одновременно: с одной стороны, ты постоянно прокачиваешь скиллы и «бежишь» в 10 раз быстрее, чем остальные, с другой стороны, твой профиль работы постоянно меняется.
Планы на будущее. Пока у меня нет понимания, в каких сферах я хочу развиваться дальше. Мне хочется ещё больше погрузиться в то, чем я занимаюсь сейчас.
На YouTube-канале Нетологии рассказали об ошибках искусственного интеллекта и главных проблемах, связанных с его применением.