Подготовка бакалавров направлена на формирование компетенций специалистов по информационным системам, способных поводить аналитические исследования и анализ данных с использованием искусственного интеллекта с акцентом на методы машинного обучения; определять и анализировать требования к автоматизации информационных процессов;  проектировать, разрабатывать и внедрять информационные системы и сервисы на основе  цифровых программно-аппаратных платформ;  принимать участие в управлении ИТ-проектами.

1. Подготовка специалистов в области аналитики с применением моделей машинного обучения и искусственного интеллекта;
2. Получение навыков в области статистической обработки данных и моделирования информационных процессов;
3. Изучение элементной базы и архитектуры вычислительных устройств для углубленного понимания методов обработки данных.
4. Обучение проходит по программам дисциплин, разработанных по рекомендациям специалистов-практиков ИТ-компаний.
5. Прохождение практики в ИТ-отделах ведущих производственных предприятий.

1. Очно-заочная форма обучения предоставляет возможность совмещать работу с учёбой. В семестре студенты обучаются всего 4 дня в неделю – с понедельника по четверг. Пятница, суббота и воскресенье – выходные дни.
2. Углубленная подготовка в области статистической обработки данных и математического моделирования.
3. Интенсивная подготовка в сфере машинного обучения и анализа данных.
4. Самостоятельный выбор направления профессионального развития аналитиком, программистом, проектировщиком информационных систем, веб-разработчиком, руководителем проектов, в научной сфере.
5. Продолжительность сессий – 20 календарных дней для младших курсов (1,2 курс) и 25 календарных дней для старших курсов (3-5 курс).

Продолжительность обучения – 5 лет

Практическую подготовку студенты получают при изучении учебных дисциплин  и во время прохождения практик или стажировок.

После практического обучения на программе студенты обладают стеком технологий по машинному обучению и анализу данных, моделированию поведения информационных процессов и разработке программных систем, в том числе на основе нейронных сетей. Практико-ориентированность обучения подтверждают проекты студентов, информацию о которых можно найти на витрине проектов.

Примеры лучших практико-ориентированных проектов, выполненных студентами в ходе практической подготовки.

1. Программная система альтернативной коммуникации.
2. Веб-приложение для анализа данных методами описательной статистики и машинного обучения.
3. Нейронная сеть для обработки идиоматических выражений естественного языка.
4. Программа для семантической сегментации изображений.
5. Программная система для обмена изображениями.
6. Игровое приложение по изучению фольклора древних славян.
7. Алгоритм компьютерного зрения для диагностирования пневмонии по рентгеновским снимкам.

На стажировку студентов приглашают после собеседования и/или прохождения дополнительного обучения в компании. Примером успешного взаимодействия с индустриальным партнером стал спецкурс от АО «Научно-Технический Центр ПРОТЕЙ».

При таком формате сотрудничества важными навыками для студентов являются высокая адаптация к новому коллективу и умение быстро обучаться новому, опираясь на классические фундаментальные знания в области статистической обработки данных, моделирования и системного анализа.

Индустриальные и технологически партнеры – это  высокотехнологичные компании, имеющие в своей организационной структуре ИТ-отделы.

Основные направления научно-исследовательской и проектной деятельности студентов:

• анализ данных, машинное обучение и искусственный интеллект;
• кроссплатформенная разработка;
• разработка игровых приложений;
• технологии Blockchain;
• компьютерная графика;
• проектирование и тестирование приложений;
• компьютерное зрение;
• компьютерная лингвистика и обработка естественного языка;
• обработка аудио- и видеоданных в решении прикладных задач;
• разработка программно-аппаратных комплексов, интернет вещей.

За последние три года зарегистрировано в Роспатенте 42 свидетельства о регистрации программной системы, в числе соавторов которых присутствовали студенты, аспиранты и сотрудники кафедры 41. Из них в 2022 году – 18 свидетельств, в 2023 году – 17 свидетельств. Все зарегистрированные программные системы и базы данных имеют прикладной характер. 

На 77 Международной студенческой конференция ГУАП (2024г.) опубликовано 15 докладов, по материалам которых опубликованы статьи. Темы докладов соотнесены с решениями задач прикладного характера. На Международной конференция «Обработка, передача и защита информации в компьютерных системах» 2024 магистранты, студенты старших курсов и аспиранты представили 21 доклад, по материалам которых опубликованы статьи. На  Международной конференции «Прикладной искусственный интеллект: перспективы и риски», проходившей 17 октября 2024 года, представлено 10 докладов, по материалам которых опубликованы статьи.

Примеры названий докладов студентов.

1. Нейросетевые подходы к идентификации классических алгоритмов в Python.
2. Использование искусственного интеллекта для распознавания эмоций по голосу: современные подходы и перспективы развития.
3. Реализация алгоритмов поворота изображений в Python.
4. Автоматизация регрессионного тестирования.
5. Влияние UX-триггеров на дизайн интерфейсов веб-приложений.
6. Нахождение коэффициентов линейной регрессии методом минимизации модуля разности.
7. Автоматизация синтаксического форматирования текста, составленного на основе распознавания речи.

Студенты принимают активное участие в соревнованиях и хакатонах, посвященных созданию Telegram-ботов, машинному обучению и анализу данных, занимают призовые места.  Студенты кафедры заняли 1 и 3 место на хакатоне по созданию Telegram-ботов в рамках Третьего регионального Форума «Время IT».

Студенты могут принимать участие в хакатонах:

• хакатон «Практическое применение искусственного интеллекта и машинного обучения» совместно с Акционерным Обществом «Центр компьютерных разработок»;
• хакатон от компании  Baggins Coffee;
• хакатон «Норникель: Интеллектуальные горизонты»;
• хакатон от финтех-компании Т1;
• VTB API hackathon;
• хакатон «Лидеры цифровой трансформации»;
• региональный хакатон от компании Neoflex;
• «Тот самый хакатон 2.0»;
• межвузовского хакатона «Nuclear IT hack».

Примеры проектной деятельности:

• разработка Нейроаватара;
• разработка чат-бота для приюта «Преданное сердце»;
• система для организации и проведения военно-тактических игр «Киберштаб»;
• анализ бережливости сортировки грузов с помощью системы поведенческого анализа.

Темы ВКР:

1. Автоматизированная система управления конфигурациями программных решений.
2. Разработка виртуального финансового агента для регулирования расходов.
3. Прогнозирование курса криптовалюты с помощью методов машинного обучения.
4. Сервис облачного хранилища с поддержкой версионности файлов.
5. Разработка системы управления отелем с применением методологии CI/CD.
6. Экспертная система для оценки стоимости городской недвижимости.
7. Программное средство для статистического анализа биохимических показателей крови пациентов.

В результате обучения выпускники:

1. умеют  решать задачи классификации, кластеризации, регрессии, прогнозирования;
2. используют технологии анализа данных: статистический анализ, семантический анализ, анализ изображений, машинное обучение, методы сравнения средних, частотный анализ, кластерный анализ, деревья классификации в профессиональной деятельности;
3. владеют навыками имитационного моделирования;
4. с легкостью решают задачи по статистической обработке данных;
5. понимают, как правильно организовать процесс разработки цифрового продукта и могут оценить риски при его создании;
6. могут самостоятельно провести научное исследование, выступить с докладом и написать статью с представлением полученных результатов.

Обладают профессиональными компетенциями:

1. в области управления данными: навыки владения SQL на продвинутом уровне, администрирования реляционными и нереляционными системами управления базами данных;
2. в области применения искусственного интеллекта: методы анализа данных и машинного обучения; определение оптимальной модели для решения конкретной задачи; визуализация и представление результатов;
3. в области обработки данных: моделирование информационных процессов, статистическую обработку данных;
4. в области программирования: практические навыки применения C++ и Python с использованием библиотек и фреймворков для получения (парсинга), обработки, анализа и визуализации данных;
5. в области проектирования и разработки приложений: системный анализ, моделирование информационных процессов, работа с требованиями, реализация приложений на основе интеграции по API;
6. в области организации процесса разработки:  навыки гибкого управления проектами; знание особенностей маркетинга информационных продуктов.

Системный аналитик, инженер-программист, администратор баз данных, руководитель проектов, специалист по информационным системам, руководитель отдела по научно-исследовательским и опытно-конструкторским разработкам.

Выпускники кафедры успешно работают системными аналитиками или аналитиками данных; с разработчиками; программистами; UX/UI-дизайнерами; инженерами по тестированию, техническому обеспечению и сопровождению программного обеспечения.