• Компаниям практически любой сферы деятельности сегодня требуется проведение анализа больших данных, и выпускники программы легко находят работу.
• Обучение на программе обеспечивает фундаментальные знания и практические навыки необходимые для разработки и внедрения цифровых технологий.
• Программа обучения составлена и актуализируется с учетом требований работодателей.
• Студенты проходят практику в ведущих банках, инвестиционных, страховых, консалтинговых и производственных компаниях (Сбербанк, Газпромбанк, ВТБ, Альфа-капитал, Финам, Ингосстрах, KPMG, Deloitte и др.).
• Возможность построения индивидуальной траектории обучения.
• Возможность участия в научной и научно-практической деятельности.

Выпускники готовы к использованию интеллектуальных технологий в управлении рисками, например, к прогнозированию динамики цен финансовых инструментов, выявлению случаев мошенничества с кредитными картами и страховыми продуктами, отмывания денег, уклонения от уплаты налогов и т. п. Также выпускники подготовлены к разработке персонализированных, основанных на анализе поведения клиентов, продуктов и сервисов, например, полисов автострахования, учитывающих особенности стиля вождения, систем кредитного скоринга или рекомендательных сервисов по приобретению финансовых инструментов, основанных на анализе не только количественных данных о ценовой динамике активов, но и неструктурированной информации, включая новости в интернете, историю взаимоотношений с клиентом, его настроение, поведение в интернете и социальных сетях. 

• Построение и оценка моделей машинного обучения

Этот курс научит вас использовать самые распространенные инструменты для анализа данных и машинного обучения. После освоения данного курса вы научитесь применять классические модели регрессии и классификации, писать код для обучения и тестирования моделей, вести проекты в области построения интеллектуальных систем.

• Обучение с подкреплением

Изучение студентами основных концепций, методов и алгоритмов обучения с подкреплением для решения задач в профессиональной деятельности.

• Предиктивная аналитика больших данных

Этот курс знакомит с самыми передовыми технологиями обработки и анализа больших объемов данных.

• Проектирование архитектуры информационных систем

Изучение студентами современных подходов по выбору и применению архитектуры разрабатываемой информационной системы.

• Методы визуализации данных

Студенты знакомятся с тем, что может пониматься под визуальной передачей цифровой информации в теории, и с практическими способами применения некоторых стандартных пакетов компьютерных программ для осуществления теоретических выводов в конкретных задачах, связанных с оказанием финансовых услуг.

• Нереляционные базы данных

Изучение студентами подходов, направленных на реализацию хранилищ баз данных NoSQL, имеющих существенные отличия от моделей, используемых в традиционных реляционных СУБД.

• Современные нейросетевые технологии

Формирование у студента способности самостоятельно приобретать и применять знания в области прикладной математики и нейросетевых технологий, а также поддерживать коллективную научную и производственную коммуникацию с использованием различных типов нейросетей.

• Прикладные модели и методы теории сложных сетей

Магистрант знакомится с основами теории сложных сетей, ее основными методами и инструментами, современными технологиями анализа сетевых структур.

• Анализ больших данных

Расширение спектра знаний студентов в области математико-статистических методов, формирование навыков автоматической предварительной обработки больших массивов многомерных данных и получения статистических отчётов.

• Машинное обучение

Магистр научится использованию самых распространенных инструментов для анализа данных и машинного обучения, научиться применять классические модели регрессии и классификации, писать код для обучения и тестирования моделей, вести проекты в области построения интеллектуальных систем.

• Прикладные модели и методы регрессионного анализа

В рамках дисциплины проводится изучение новейших методов и моделей регрессионного анализа финансово-экономических объектов и в приобретении устойчивых навыков в проведении собственных научных исследований в финансово-экономической сфере.

• Прикладные модели и методы факторного, дискриминантного и кластерного анализа в экономике и финансах

Изучение современных средств и методов анализа применительно к деятельности в области экономики и финансах.

• Анализ данных и машинное обучение в управлении рисками

Изучаются возможные варианты практического применения интеллектуальных систем, основанных на онтологии предметной области, для повышения эффективности и качества систематизации разнородной информации, относящейся к процессам риск-менеджмента, в том числе за счет сочетания онтологических средств с моделями искусственного интеллекта.

• Анализ данных и машинное обучение в кредитном скоринге

Построение многофакторных моделей и использование новых и более эффективных технологий машинного обучения для уменьшения рисков и формирования системы оценки кредитоспособности (кредитных рисков), основанной на численных статистических методах.

• Анализ данных и машинное обучение на финансовых рынках

Изучение использования моделей и методов машинного обучения в финансах как ключевой аспект ряда финансовых услуг и приложений, включая управление активами, оценку уровней риска