От математики до ИИ

Формат: цифровые практические инженерные воркшопы
Слушатели: data-science инженеры Совкомбанк
Длительность: 5 дней
Домен: Финтех / Банковская сфера
Уровень: Middle+ (опыт работы с данными и ML алгоритмами обязателен)

Data Science требует не только кода, но и понимания фундамента — математики, статистики, архитектуры моделей. А теперь ещё и LLM с ИИ-агентами меняют правила игры.

  • Хочу строить модели, а не просто «вызывать библиотеки»?
  • Хочу понимать, почему алгоритм дал такой результат, а не просто «я скормил данными библиотеку sklearn»?
  • Хочу идти в ногу со временем — от классического ML до мультиагентных ИИ-систем?
  • В чем отличие статистической модели от модели машинного обучения и модели LLM?

Интенсив проведет по пути — от линейной алгебры до многоагентных систем и конечно на реальных банковских сценариях.

Формат обучения

  • 5 дней интенсивной практики — 80% времени за компьютером
  • Сценарные кейсы банка: обезличенные данные по кредитному рейтингу, банковским картам и транзакциям
  • Каждый блок заканчивается практическим заданием, которое построено на реальном банковском сценарии
  • Нет риска для продакшена — экспериментируем в изолированной среде
  • Разбор реальных запросов и ситуаций

Модули программы

  • Линейная алгебра и основы оптимизации.
  • Теория вероятностей и статистика
  • Структуры данных в Python
  • EDA-аналитика: исследование данных и поиск инсайтов (Data Insights).
  • NoSQL vs RDBMS: какие базы данных бывают и когда что выбирать.
  • Оптимизация SQL-запросов в PostgreSQL
  • Большие данные и Apache Spark. Фреймфорк pySpark
  • Что такое ClickHouse: разделение на COMPUTE и STORAGE?
  • Классическое машинное обучение. Регрессия / классификация и кластеризация.
  • Feature engineering: подготовка признаков.
  • Методы отбора признаков: как понять, какие признаки важны.
  • Логистическая регрессия: классификация. Random Forest: ансамбль деревьев. Градиентный бустинг: XGBoost, CatBoost, LightGBM.
  • GridSearchCV: подбор гиперпараметров.
  • ARIMA / SARIMA: прогнозирование сезонных данных.
  • AutoML: автоматический подбор алгоритмов.
  • Развёртывание модели машинного обучения как web-сервиса.
  • Нейронные сети: что это и как работают? Архитектуры нейронных сетей.
  • Подбор гиперпараметров для LSTM / GRU
  • NLP: обработка естественного языка. Transformers и RAG-модели.
  • Компьютерное зрение: задачи и подходы.
  • LLM-модели: ChatGPT, DeepSeek. Инструменты: N8N, OpenClaw.
  • Многоагентные системы: как несколько ИИ работают вместе.