Программа вошла в список победителей конкурса «ТОП-ИТ СТАРТ» в 2026 году.

Логика программы построена на основе  компетентностно-ролевой модели, разработанной для подготовки специалистов топ-уровня в области информационных технологий.

Программа предназначена для будущих экспертов в сфере аналитики данных, машинного обучения, технологий прикладного искусственного интеллекта и инженерии данных. Структура программы одобрена индустриальными партнерами.

Профильные дисциплины сгруппированы по направлениям.

1.     Аналитика данных и искусственный интеллект

2.     Хранения данных и управления качества данных

3.     Информационно-технологический

4.     Управления ИТ-проектами

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.

1. Подготовка специалистов будет осуществлена  на основе компетентностно-ролевой модели «Аналитика данных». 

2. На программе выбраны основная роль «Аналитик данных»/ «BI-аналитик» и  опережающая роль «Руководитель группы разработки».

3. Программа обучения и рабочие программы профессиональных дисциплин разработаны с участием индустриальных партнеров.

4. Обучение проходит по программам дисциплин, разработанных по рекомендациям специалистов-практиков ИТ-компаний.

1. Подготовка специалистов в сфере анализа данных, машинного обучения, технологий прикладного искусственного интеллекта и инженерии данных.

2. Получение системных знаний в области статистической обработки данных, моделирования и системного анализа.

3. Комплексное развитие инженерного и аналитического типа мышлений.

4. Доля практических занятий составляет 64% от общего количества часов контактной работы.

5.  Возможность получения дополнительной квалификации, получаемой при освоении модуля «Предпрофессиональная исследование, выступить с докладом на конференции.

6. Возможность расширения практической подготовки при обучении на технологическом треке, связанным с технологиями кроссплатформенной разработки цифровых сервисов.

7. Проведение государственной итоговой аттестации с участием индустриального партнера, а также выполнение ВКР по тематикам, согласованным индустриальным партнером.

8. Очно-заочная форма обучения предоставляет возможность совмещать работу с учёбой.

9. 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 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:

• Веб-приложение для анализа данных методами описательной статистики и машинного обучения.
• Нейронная сеть для обработки идиоматических выражений естественного языка.
• Программа для семантической сегментации изображений.
• Программная система для обмена изображениями.
• Программная система альтернативной коммуникации.
• 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, в области Data Science, специалистами по глубокому обучения,  ML-разработчиками, проектировщиками и разработчиками информационных систем, разработчиками искусственного интеллекта, архитекторами ИТ-решений.

Примеры успешных карьер выпускников бакалавриата 2026 года.

• Полешко Кирилл – ведущий разработчик искусственного интеллекта компании Геномед;
• Махкамов Шерзод - аналитик данных в Совкомбанк;
• Чурюмов Богдан - архитектор ИТ-решений в BigTech-компании
• Шаронов Дмитрий – главный разработчик AI в компании MAGNITTECH.

Через несколько лет после завершения обучения

• Шабалин Алексей - ведущий специалист (аналитик) управления по работе на оптовом рынке электроэнергии и мощности. ООО «РКС-энерго».
• Сергеев Александр - тимлид команды поддержки по специализации управляемых баз данных (MDB) в Yandex.Cloud.
• Волкова Анастасия - аналитик центрального аппарата ПАО Сбербанк.
• Даванс Алексадра - начальник бюро прикладного программирования в ПАО «Завод.
• Клычкова Екатерина - главный специалист управления формирования отчётности ПАО Сбербанк.
• Игошин Алексей Николаевич - руководитель отдела аналитического обеспечения СПБ ГБУ «ИМЦ».