Программа предназначена для будущих экспертов в области данных. Мы предлагаем обучение технологиям анализа и управления данными с применением моделей машинного обучения и искусственного интеллекта. Выпускники работают программистами, аналитиками, специалистами в области глубокого обучения и ML-разработчиками, организуют процесс разработки программных продуктов и проводят научные исследования.

Цель программы –  подготовка экспертов в области данных, обладающих продвинутыми цифровыми компетенциями анализа и управления данными с применением моделей машинного обучения и искусственного интеллекта.

Уникальность программы состоит в сочетании изучения фундаментальных наук и практико-ориентированных дисциплин, благодаря которому успешно реализуют следующие направления обучения:

1. Подготовка специалистов в области аналитики данных с применением моделей машинного обучения и искусственного интеллекта;
2. Получение навыков в области статистической обработки данных и моделирования информационных систем;
3. Обучение проходит по программам дисциплин, разработанных по рекомендациям специалистов-практиков ИТ-компаний;
4. Прохождение практики в ИТ-отделах ведущих производственных предприятий.

Предлагаем получить универсальную и востребованную профессию.

1. Системные знания в области статистической обработки данных, моделирования и системного анализа востребованы в любой профессиональной деятельности.
2. Интенсивная подготовка в сфере анализа данных, машинного обучения и технологий прикладного искусственного интеллекта позволит получить востребованную профессию.
3. Развитие инженерного мышления и аналитического типа мышления помогут самостоятельно провести научное исследование, выступить с докладом на конференции.

Практическую подготовку студенты получают при изучении учебных дисциплин  и во время прохождения практик или стажировок. После обучения на программе студенты обладают знаниями в области машинного обучения и анализа больших данных, моделирования 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

В частности, студенты участвуют в  профориентационых встречах с последующими экскурсиями и стажировками в компании «Норбит».

На стажировку студентов приглашают после собеседования и/или прохождения дополнительного обучения в компании. Примером успешного взаимодействия с индустриальным партнером стали спецкурсы 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. Для прохождения летней производственной практики в компании необходимо пройти собеседование и профориентационное тестирование.

Кафедра прикладной информатики активно сотрудничает с ИТ-компанией Neoflex. Лучшие студенты проходят могут пройти летнюю практику в этой компании.

Основные направления научно-исследовательской и проектной деятельности студентов:

• анализ данных, машинное обучение и искусственный интеллект;
• кроссплатформенная разработка;
• разработка игровых приложений;
• компьютерная графика;
• тестирование и контроль качества веб-приложений;
• компьютерная лингвистика и обработка естественного языка;
• обработка аудио- и видеоданных в решении прикладных задач;
• разработка программно-аппаратных комплексов.

На 78 Международной студенческой конференции ГУАП (2025 г.) опубликовано 25 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» 2025 магистранты, студенты старших курсов и аспиранты представили 22 доклада, по материалам которых опубликованы статьи.

На Международной конференции «Прикладной искусственный интеллект: перспективы и риски», проходившей в 2025 году, представлено 12 докладов, по материалам которых опубликованы статьи.

Примеры названий докладов и статей студентов на конференциях:

1. Семантический анализ диалогов методами машинного обучения в задаче выявления эмоций и их причин
2. Концепция модели нейронной сети для составления характеристического портрета студента
3. Применение искусственного интеллекта в управлении цифровыми проектами: эмпирическое исследование на примере проектирования Telegram-приложения
4. Применение графовых баз данных в рекомендательных системах
5. Модели миграции в системах хранения данных
6. Разработка системы визуализации BPMN-диаграмм посредством голоса
7. Сравнительный анализ архитектур нейронных сетей, используемых для распознавания движений человека
8. Применение методов нормализации в генеративно-состязательной нейронной сети
9. Сравнительный анализ эффективности программных методов ускорения глубоких нейронных сетей

Тематика постоянных проектных семинаров и научного общества студентов и аспирантов.

1. Прикладной искусственный интеллект:

• Призовое место на международной олимпиаде по искусственному интеллекту AIDAO
• Участие в XXXIV Международной научно-технической конференции в Сочи
• Финалисты кейс-чемпионата GPN INTELLIGENCE в треке Data Scientist
• Финалисты олимпиады по искусственному интеллекту, проводимой Яндекс
• Победители международного конкурса EMEA&Pakistan SPC-2025

2. Спортивное программирование и промт-инжиниринг для ускорения разработки программного обеспечения:

• Хакатон по промпт-инжинирингу
• Победители Международного чемпионата «Хайтек: навыки будущего»
• Финалисты Кубка России по продуктовому программированию
• Второе место в олимпиаде по программированию

Перечисление хакатонов, соревнований, в которых могут участвовать студенты:

• Победители IT-хакатона SpbTechRun
• Первое место в финале Акселератора «ТехноПитер»
• Финалисты чемпионата мира по программированию ICPC
• Первое место на хакатоне «АтомикХак 3.0» от ГК «Росатом»
• Четвертое место в «Хакатоне Т1» на треке по искусственному интеллекту
• Хакатон по созданию телеграмм-ботов в рамках форума «Время ИТ»
• Участие в XVI международной олимпиаде «IT-Планета 2025»
• Победители хакатона от Baggins Coffee
• Финалисты хакатона Норникеля «Интеллектуальные горизонты» в Москве

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. Использование интеллектуального анализа данных для выявления паттернов поведения студентов
2. Программное обеспечение мониторинга ресурсов Docker-контейнера с интеграцией функции оповещений
3. Разработка интеллектуальной системы для идентификации авторства текста на основе стилистического анализа
4. ИИ-ассистент для автоматизации процесса работы с большими данными
5. Разработка программного продукта для моделирования системы обслуживания аэропорта и оптимизация пассажиропотока
6. Интеллектуальный сервис для анализа речевых коммуникаций
7. Разработка умной навигационной системы для слабовидящих в городской среде
8. Программное средство визуализации хаотических систем и их аттракторов
9. Разработка сервиса для оркестрации ансамбля больших языковых моделей для решения сложных задач

Кафедра прикладной информатики (кафедра 41) осуществляет подготовку специалистов в области технологий анализа данных с применением моделей машинного обучения и искусственного интеллекта:

• используют библиотеки Pandas, NumPy, scikit-learn, TensorFlow, NLTK, OpenCV;
• разрабатывают расширенные визуальные решения с помощью Yandex DataLens и Seaborn; приобретают фундаментальные знания в области статистической обработки данных, системного анализа и организации научных исследований;
• получают практические навыки работы с реляционными и NoSQL-базами данных;
• организуют процесс разработки программных продуктов и проектируют  информационные системы;
• обладают критическим и системным мышлением в сочетании с фундаментальными знаниями в области прикладного искусственного интеллекта.

В результате обучения выпускники:

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

Выпускники успешно работают аналитиками данных,  системными аналитиками, BI-аналитиками, продуктовыми аналитиками, в области Data Science, специалистами по глубокому обучения,  ML-разработчиками,  программистами, проектировщиками информационных систем,  UX/UI дизайнерами, инженерами по тестированию и  техническому сопровождения программных продуктов.