магистр компьютерных наук кто такой
Чему нужно учить в магистратуре по Computer Science?
Продолжаем рассказывать о нашем опыте построения «самой лучшей магистратуры по Computer Science» =) и интересоваться мнением IT-сообщества. Напомню, что нашей целью было создать магистратуру с сильной программой, в которой не было бы «лишних» курсов. И благодаря сотрудничеству с Академией Современного Программирования и лабораторией математической логики Санкт-Петербургского отделения математического института им. В.А. Стеклова РАН у нас это успешно получилось сделать.
В прошлый раз мы написали о том, как создавалась кафедра и о том, чего нам удалось добиться за 5 лет.
В этом посте мы обсудим, чему нужно учить в магистратуре по Computer Science. 
Краткий отчёт за прошедший год
В целом у нас всё хорошо, один курс выпустили, 
другой набрали. 
… и ответы на некоторые вопросы
В прошлом году мы задавали несколько вопросов.
Как решить проблему с необходимостью читать в магистратуре базовые (бакалаврские) курсы?
Уровень образования везде разный, и к сожалению, не везде высокий. Мы набираем абитуриентов со всей России и СНГ, и поэтому нам приходится в первом семестре читать некоторые базовые курсы, чтобы у всех студентов было достаточно знаний, для понимания курсов магистерского уровня (к примеру, нам приходится читать математическую логику, т.к. без неё сложно понять что-то про функциональное программирование).
Самое разумное, что можно сделать для решения этой проблемы — это открыть собственный бакалавриат. Но это далеко не самое простое решение.
Тем не менее, мы решили пойти по этому пути и открыть свой бакалавриат с блекджеком и такой программой, что после неё в магистратуре не нужно будет читать курсов бакалаврского уровня. Однако на магистратуру это как-то повлияет только через 4 года.
Мы также прислушались к вашим советам и стали двигаться в направлении онлайн-курсов.
Подробнее об этом мы напишем в следующий раз.
Какие направления обучения заинтересовали бы вас?
Как и раньше, у нас есть три направления: теоретическая информатика, разработка ПО и алгоритмическая биоинформатика. Увеличивать количество направлений мы не стали, т.к. у нас направление специализации можно выбирать самостоятельно, изменяя список за счёт курсов по выбору.
Чем привлекать сильных студентов?
Мы считали, что сильных студентов можно привлечь бесплатной пиццей сильной программой, большим количеством практики, участием в проектах под руководством инженеров из ведущих IT-компаний, повышенной стипендией, а также возможностью заниматься наукой под руководством действующих учёных. Это всё сохранилось.
В этом году Санкт-Петербургское отделение математического института РАН, сотрудники которого принимают непосредственное участие в обучении на кафедре, получило мегагрант на создание лаборатории алгоритмов и теории сложности под руководством профессора Ф.В. Фомина (университет г. Берген, Норвегия, список публикаций). Теперь студенты нашей кафедры смогут заниматься наукой под руководством учёных из этой новой лаборатории.
Напомню, что в Академическом университете уже есть лаборатория алгоритмической биологии во главе с профессором Калифорнийского университета Павлом Певзнером (список публикаций), которая так же была создана на мегагрант.
Приглашённые курсы
Ещё один способ привлечь сильных студентов — это уникальные курсы. Для этого мы будем приглашать ведущих учёных из разных стран, чтобы они читали у нас свои курсы, как уже делается в Computer Science клубе.
Спасибо за внимание! Будем рады услышать ваши комментарии.
Магистр по наукам о данных
Первая в России англоязычная магистерская программа, реализуемая полностью онлайн на образовательной платформе Coursera.
Цель программы — подготовить специалистов по современному анализу данных (data scientist), разработчиков машинного обучения (machine learning engineer) и будущих исследователей в области data science. Программа сочетает теорию с интенсивной практикой: отработка всех полученных навыков происходит на реальных проектах и задачах из индустрии.
Контакты
Москва,
Покровский бульвар, 11, корпус T, каб. T921
Телефон:
+7 (495) 772-95-90 *27356 Email: mds@hse.ru
Программа реализуется полностью в онлайн-формате
О чём эта программа?
Машинное обучение и анализ данных — крайне востребованное направление на сегодня. И в компаниях, и в науке появляется всё больше данных, и их можно использовать для извлечения экономической выгоды, получения новых знаний и результатов. Для этого нужны специалисты по работе с данными и построению сложных моделей на их основе.
Программа “Master of data science” рассчитана на подготовку специалистов по трём направлениям:
Программа создана для тех, кто хочет разобраться в data science, получить практический опыт решения большого количества реальных задач и заинтересован в начале карьеры в этом направлении.
Преимущества нашей магистратуры
Требования к поступающим
Для поступления в магистратуру необходимо иметь диплом бакалавра или специалиста по любому направлению.
В программе предусмотрено полноценное изучение математики для анализа данных, программирования и алгоритмов, поэтому даже студенты с непрофильным бакалаврским образованием смогут выровнять свой уровень и полноценно изучить все дальнейшие курсы.
Для поступления необходимо обладать знаниями по базовым разделам математики и на достаточном уровне владеть математической культурой. Зачисление на программу будет осуществлено по итогам вступительного онлайн-экзамена по математике с прокторингом.
Во время обучения
В рамках программы студенты могут выбрать один из трёх треков — два карьерно-ориентированных, цель которых подготовить студентов к трудоустройству на конкретные позиции, и один исследовательский:
С первого семестра студенты изучают программирование (Python, SQL), алгоритмы и структуры данных, математику для анализа данных. Завершается изучение курсов блока математики и программирования проектом по сбору и обработке больших массивов данных.
В середине второго семестра обучения студенты определяются с треком и далее изучают курсы в соответствии с выбранным направлением.
Помимо стандартных курсов, сочетающих теорию и практические задания, в программе предусмотрены еще два крупных проектных курса: по машинному обучению и финальный проект (выпускная квалификационная работа, которая может быть посвящена проектной или исследовательской задаче).
Для успешного освоения программы студентам необходимо набрать 120 кредитов.
Всё обучение на магистерской программе будет проходить полностью онлайн. Контроль за самостоятельностью выполнения заданий будет осуществляться стандартными для онлайн-программ средствами: еженедельное общение в формате форумов и вебинаров, проведение ключевых контрольных мероприятий с прокторингом, проведение защиты проектов и дипломной работы посредством видеоконференций.
После магистратуры
Выпускники программы могут начать карьеру по направлению анализа данных и машинного обучения, претендовать на позиции Junior Data Scientist или Junior Machine Learning Engineer. Также выпускники смогут начать академическую карьеру и заняться исследованиями в области data science в аспирантуре.
Стоимость обучения
Стоимость за весь период обучения в 2022-м году: 1 410 000 рублей.
Плата за обучение вносится частями (по семестрам).
На программе предусмотрены скидки в размере 20% и 50%. Условия предоставления доступны на сайте.
Вебинары
C записями прошедших мероприятий (дней открытых дверей, индустриальных вебинаров) можно ознакомиться по ссылке
Где в России из бакалавра качественно прокачаться до IT-магистра?
Привет всем хаброжителям.
Перечитывал инфу об IT-образовании, ибо в последнее время оно меня сильно беспокоит: всего год остался до того, как я напишу (. ) диплом, а потом стану бакалавром математики. Вот наткнулся тут на статью, как раз про меня и мне подобных написанную:
Она задела за живое. И я решил по ее мотивам накатать свою, как продолжение размышлений – куда податься IT-бакалаврам. На мой взгляд, обучение в IT-магистратуре – неплохая перспектива. Но только, думается мне, не все магистратуры одинаково полезны, а только те, которые могут дать действительно качественную подготовку, чтобы потом еще и работать хотелось и моглось.
Рассудив, что хорошую практику могут дать только хорошие практики, я отправился в пучины мировой сети, чтобы найти в России (я пока что не очень-то хотел бы сваливать за бугор), магистратуры, поддерживаемые серьёзными IT-конторами.
В течение нескольких часов честно смотрел, что выпадает в поисковиках по запросам: «IT магистратура», «магистратура IT» и подобным ключевым словам.
И вот сделал из всего собранного мной такую табличку:
Засим, кратенько резюмирую, что у меня получилось.
Информационный менеджмент
Нашёл эту магистратуру через сайт некоей компании «Ай Ти Академия», которая занимается дистанционным обучением. Вроде всё очень заманчиво, но только курсы не о разработке ПО, а о его продажах, внедрении, анализе рынка IT-технологий. Организовано на базе МИСиС. Кстати, не сочтите за пиар, но на сайте этого самого МИСиС такое количество разнообразных магистратур по самым разным научным направлениям, что я очень захотел попробовать там поучиться.
Информационный менеджмент – part two
Единственная, судя по информации сайта РАНХиГС, специальность здесь – руководитель информационной службы. За время обучения предлагается пройти курсы по Методам исследований в менеджменте, Управлению развитием компании, Электронному маркетингу, ИТ-стратегии и бизнес стратегии фирмы, после которых, как самоуверенно заявляют в академии, выпускники становятся «лидерами бизнеса», потому что учатся не просто «для галочки», а получают знания, работая.
Магистратуры в МГУ
Поддерживается SAP University Alliance. Обещают рай, но за 400 тысяч. С другой стороны, в качестве этого образовательного рая я практически не сомневаюсь. С третьей стороны, не совсем понятно, кем я все-таки стану – манагером-внедренцем, али разработчиком? Дисциплин много обоих планов. Порадовали наличием блока «Трудоустройство» со ссылками на разные компании. Расстроили запредельной стоимостью обучения.
Математическое и программное обеспечение вычислительных машин
По запросу «IT магистратуры» именно это была первая ссылка. Анонс обещает преподов и из Microsoft Innovation Center, СКБ Контур, РАН. Система такая: берётся магистратура Компьютерных Наук МатМеха УРФУ (Екатеринбург), и к ней добавляются всякие вкусности типа «Конкурентное, многопоточное программирование», «Разработка в условиях меняющихся требований» и подобное. И вроде, все бесплатно. Есть две ступени отбора, но в целом требования адекватны. Они пока мои фавориты, потому что, по сути, это единственная искомая магистратура не в «столицах».
Магистратуры от компании IBS
Я от них тащусь. Реально. Каждое направление магистратуры курируется каким-то отделом компании, 10 лучших стажёров сразу принимаются на работу, студентам платят высокую стипендию, на выходе они получают до черта грамот, имеющих реальную ценность, и сертификатов. Реализовано это на базе МФТИ и МИСиС, но увы и ах! У меня нет 300 000 рублей! И ещё специальность – IT-консалтинг и аналитика – не совсем желаемое…
Независимый Московский Институт
Кто не знает, что это за институт – стыд вам и позор (а также, минусы в карму!) НМИ – моя давняя мечта. К несчастью, учат здесь всё-таки чистой науке, но зато на таком уровне, что не уверен, смог бы я сдать здесь хотя бы одну сессию. И самое главное, что этот рай для гиков и нердов – бесплатен.
Школа Анализа Данных
Уверен, все знают, что это такое, но на всякий случай, повторюсь. Организует Яндекс, среди трёх направлений есть базовые: «Компьютерные Науки», естественно, – «Анализ Данных» и искомая – «Разработка программного обеспечения». Организуется учёба, как я понял, на базе МФТИ, а в конце выдаются сертификаты Яндекса. Очно в России в Питере и Москве. Бесплатно. Одни сплошные плюсы, за исключением того, что это не магистратура, а я, всё-таки, не хочу в армию и хочу диплом гособразца.
Анализ интернет данных и искусственный интеллект
Магистратура от того же Яндекса, на базе НИУ-ВШЭ, должна решать проблемы с армией. На сайте этой магистратуры в описании кафедры, есть ссылочка «далее», но она не нажимается. Мгновенно разочаровался. Информации по магистратуре – ноль. В списках аспирантов и преподавателей замечены пересечения с ШАДом.
Вот такой краткий обзор. На самом деле, хотел бы увидеть ваши комментарии: какие магистратуры и интересные программы я пропустил? Вдруг кто-то из вас учится по этим программам, или каким другим, – что посоветуете? Где ещё меня могут научить практике решения реальных задач?
Почему бакалавриат в России готовит ИТ-недоучек? Советы первокурсникам
Поздравляю всех поступивших в ВУЗ!
Хочу поделиться некоторыми мыслями по поводу ИТ-образования в России. Шо, опять?!
В настоящее время Россия переходит на систему бакалавр+магистр. Переходит с большим скрипом.
Чему учат
Что же за зверь такой «бакалавр»?
Откроем новый образовательный стандарт (для примера специальность 230200 «Информационные системы и технологии»).
Бакалавра учат 4 года, из них:
13% Гуманитарный, социальный и экономический цикл
27% Математический и естественнонаучный цикл
1% Физ-ра
3% Практика, НИР
6% Аттестация, диплом
Собственно на предметы по специальности остается ровно 50%. В предыдущем стандарте было 45%.
В эти 50% еще входят такие далекие от компьютеров предметы, как метрология и БЖД.
Если открыть список курсов Computer Science какого-нибудь европейского (Кембридж) или американского (МИТ) ВУЗа, то видно что на загнивающем Западе к образованию относятся более прагматично. Беглый обзор дает основания считать, что в computer science за рубежом все предметы так или иначе связаны со специальностью. Оторванных дисциплин нет — если есть экономика или математика, то она дается применительно к ИТ. Это оказалось неправдой, спасибо MaximKat. Соотношение профильные/непрофильные предметы на Западе примерное такое же как у нас (хотя это зависит от университета, а у нас жестко прописано в образовательном стандарте).
Я не буду спорить, хорошо или плохо наличие гуманитарных предметов или вопрошать зачем программисту матан, макроэкономика и экология. Факт в том, что они здорово кушают часы основной программы.
Диплом. Дипломный проект специалиста должен быть завершенной разработкой. Выпускная работа бакалавра — некое «исследование» по теме. Нагони туману и налей воды. Никакого проектирования.
Как учат
Вторая проблема: у нас предметы часто преподаются без взаимосвязи друг с другом и в отрыве от основной специальности. Преподаватели не утруждают себя объяснением, зачем вообще нужен их предмет, какие дисциплины являются смежными, как это потом понадобится на практике? Оно и не надо: в отличие от зарубежных студентов, у нас просто нет выбора — почти все предметы обязательны. Отсутствие дисциплин по выбору — еще один недостаток. Конечно, в стандарт заложены часы на курсы по выбору студента, но в реальной жизни это все остается на бумаге.
В итоге качество подготовки выпускников и их компетенции не соответствует ожиданиям бизнеса. И наоборот, предложения на рынке труда не соответствуют ожиданиям выпускников 🙂 Одной из причин этого является то, что бизнес слабо сотрудничает с ВУЗами — хороших специалистов он хочет получить «на блюдечке», без затрат.
Что должен уметь специалист с точки зрения крупнейших ИТ-фирм можно посмотреть здесь.
Что делать?
Если вы собираетесь поступать на ВМК МГУ, на физтех или учиться за рубежом — дальше можно не читать 🙂 Текст для среднестатистического абитуриента/студента.
Советую почитать образовательный стандарт по своей специальности: перечень образовательных стандартов, рубрикатор специальностей. Учтите, что коды специальностей менялись уже 2 раза, например, «Информационные системы и технологии» были 071900, потом стали 230200, а теперь уже 230400.
Что дальше?
По окончании бакалавриата изучите возможность поступления в магистратуру. Насколько «сильная» она у вас в ВУЗе? Возможно стоит поступить в другой ВУЗ или немного поменять специальность?
В последнее время появились серьезные платные магистратуры с высоким уровнем подготовки (например, тыц, тыц).
Магистратура по Data Science: советы аспиранта Гарвардского университета
В этой статье я хотел бы поделиться своим опытом научной карьеры в области Data Science, накопленным за последние полтора года.
Это мой первый пост на Medium, поэтому я хотел бы рассказать о себе и о своем предыдущем опыте. Я — аспирант Гарвардского университета по специальности «Экологическая инженерия и вычислительная техника», а также подрабатываю консультантом по машинному обучению и блокчейну в британской консалтинговой фирме Critical Future, специализирующейся на искусственном интеллекте. Мои исследования сосредоточены на внедрении машинного обучения и искусственного интеллекта в науку об окружающей среде с использованием сенсорных систем, основанных на дронах, способных самостоятельно перемещаться для составления картины химического состава нижних слоев атмосферы, преимущественно в тропических лесах Амазонки (для тех, кто интересуется этим проектом, я опубликую отдельные статьи по этой теме в ближайшем будущем).
Я начал свой путь к PhD в Гарвардском университете осенью 2017 года, получив степень бакалавра и магистра в области машиностроения в Имперском колледже Лондона, а последний год обучения я закончил за границей в Национальном университете Сингапура. Во время учебы в бакалавриате я был мало знаком с Data Science и статистикой в целом, но при этом я много знал о программировании на Matlab, C и Visual Basic, а также имел сильную математическую базу.
До того, как я начал учиться в Гарварде, я никогда не программировал на Python, и даже не слышал об R. Я никогда не занимался параллельными вычислениями, не создавал кластеров, а машинное обучение и искусственный интеллект были вещами, о которых я обычно слышал только из антиутопических романов и фильмов.
Участие в программе Гарварда с акцентом на информатике и машинном обучении с таким скромным бекграундом было похоже на восхождение по отвесной скале (изнурительно и шатко). Впрочем, это Гарвард, так что вряд ли можно ожидать чего-то меньшего. Гарвардская программа PhD требует от прохождения 10 курсов, из которых обычно 8 – магистерского уровня. Их можно проходить в своем темпе, но вы должны закончить их до выпуска, что в среднем занимает 5 лет. Студентам рекомендуется заканчивать все курсы в течение первых двух лет, после чего они могут получить свою (формально бесплатно) магистерскую степень. В конце весеннего семестра 2019 года я выполню эти требования и получу диплом, после чего сосредоточусь исключительно на исследованиях.
Осенью 2018 года в Гарварде была создана первая в истории группа слушателей магистерской программы по Data Science. Это двухгодичная программа, состоящая из основных курсов по Data Science, этики, а также прикладной математики, Computer Science и факультативов по статистике/экономике. Приехав за год до всех этих студентов, я буду одним из первых, кто выполнил основные предварительные требования для этой программы, что дает мне уникальный опыт в плане эффективности получения степени в области Data Science.
За последние 18 месяцев я прошел целый ряд курсов. Одним из первых был CS205: Параллельные вычисления, где я впервые научился программировать под Linux и создал вычислительные кластеры, способные обеспечивать линейное ускорение матричных вычислений, и кульминацией этого курса стал финальный проект, включавший параллельные вычисления на Python с Dask на кластере Kubernetes.
Также я взял AM207: Продвинутые научные вычисления, который предлагает Гарвардская Extension School (а это значит, что этот курс может пройти любой желающий). Этот курс был посвящен байесовской статистике и ее внедрению в машинное обучение, и он включал в себя бесчисленные часы симуляций на основе методов Монте-Карло с цепями Маркова (MCMC), работу с теоремой Байеса и даже просмотр короткого видео о Супермене, который заставил время повернуться вспять, (чтобы продемонстрировать концепцию реверсивности времени в машинном обучении)
Также одним из основных курсов является AC209a, в котором основное внимание уделяется основам машинного обучения и Data Science. Я бы сказал, что этот курс включает в себя то, о чем большинство людей думают, когда кто-то произносит слова «Data Science» или «машинное обучение». Речь идёт о том, чтобы научиться проводить исследовательский анализ данных и запускать регрессоры и классификаторы с использованием sklearn. Большая часть занятий сосредоточена на понимании этих методов и на том, как лучше всего оптимизировать их для заданного набора данных (для этого нужно немного больше, чем просто использовать model.fit(X_train, y_train). ). Еще один курс — AC209b: Дополнительные разделы Data Science, который является расширением первого класса. По сути, это курс по Data Science на стероидах, в котором первые несколько лекций начинаются с обобщенных аддитивных моделей и создания красивых сплайнов для описания наборов данных. Тем не менее, все быстро перерастает в параллельный запуск 2500 моделей, использующих Dask на кластере Kubernetes, в попытке провести гиперпараметрическую оптимизацию на 100-слойной искусственной нейронной сети. При этом, на самом деле, это было даже не самое сложное из того, что мы делали – все это происходило всего лишь на третьей недели лекций, если говорить о курсе в целом.
Также я прошел и другие курсы, включая CS181: Машинное обучение, который охватывает математические основы регрессии, классификации, обучения с подкреплением и другие области с использованием как частотных, так и байесовских методов; AM205: Научные методы решения дифференциальных уравнений, а также AM225: Усовершенствованные методы решения дифференциальных уравнений в частных производных. Есть множество других курсов, которые я также мог бы пройти в течение оставшегося времени в Гарварде, чтобы углубить свои знания, такие как CS207: Разработка систем для вычислительных наук, AM231: Теория принятия решений, или AM221: Продвинутая оптимизация. Я также должен уточнить, что каждый из этих курсов имел финальный проект, который я смог добавить в свое портфолио.
Теперь перейдем к теме статьи — после всего этого времени, которое я потратил на обучение тому, как быть хорошим специалистом в Data Science, стоило ли оно того? Или я мог сделать все это сам? Точнее, стоит ли кому-то, кто хочет заниматься этим в качестве карьеры, инвестировать 1-2 года и более 100 000 долларов в получение степени в области Data Science?
Я не думаю, что всему, чему я научился за эти 18 месяцев курсов по Data Science, я мог бы научиться, читая книги, просматривая онлайн-видео и изучая документацию различных пакетов программного обеспечения. Тем не менее, я не сомневаюсь, что получение степени в Data Science может ускорить чью-либо карьеру, а также может дать ценный опыт работы с реальными проектами, которые можно было бы обсудить в ходе интервью и использовать в портфолио. Лично мне потребовались бы годы, чтобы понять, как оптимизировать 100-слойную нейронную сеть, работающую на параллельном кластере в Google Cloud, если бы я просто сидел дома и смотрел видео на Youtube — я даже представить себе не мог, как это сделать.
Любопытство к Data Science — это замечательно, и я хотел бы, чтобы больше людей интересовались этой темой. С момента информационного взрыва кажется, что в ближайшее десятилетие данные станут новой мировой религией, и поэтому неизбежно, что миру понадобится гораздо больше специалистов в Data Science. Тем не менее, любопытство может завести вас очень далеко, и наличие клочка бумаги, который показывает, что вы потратили время, инвестировали в приобретение навыков и хороших привычек и стали по-настоящему опытным ученым, занимающимся данными, выделит вас среди остальных. Data Science существует не только в виде соревнований от Kaggle, как некоторые, кажется, думают.
Мой совет для тех, кто хочет заниматься Data Science, заключается в том, чтобы получить хорошую основу базу в статистике и математике, также я советую приобрести некоторый опыт в программировании на таких языках, как Python и R, а также освоить разработку под Linux. Большинство студентов на занятиях по информатике, которых я видел, похоже, борются с такими аспектами, связанными с информатикой, как работа с контейнерами Docker и создание и управление распределенными кластерами, работающими на некоторой облачной инфраструктуре. Для того, чтобы стать опытным специалистом в области Data Science необходимо овладеть многими сложными навыками, и я уж точно я не могу назвать себя экспертом. Однако, накопив некоторый опыт, я чувствую себя достаточно уверенным в том, что смогу продолжать развивать свои собственные навыки в области Data Science и машинного обучения, а также применять их в проектах и исследованиях, связанных с промышленностью, не опасаясь заниматься «плохой наукой».
Если вы хотите узнать что из себя представляет курс по Data Science, я рекомендую взглянуть на онлайн-курсы, предлагаемые университетами, за прохождение которых можно часто получить зачетные единицы, необходимые для получения степени. Сейчас в Гарварде есть студент, который прошел 3 курса по информатике в Extension School, и теперь он имеет степень в области вычислительной техники и инженерии и является одним из ассистентов преподавателя в продвинутом курсе по Data Science. Все возможно!
Онлайн-курсы по Data Science с гос.дипломом МИСиС
НИТУ «МИСиС» и SkillFactory (онлайн-школа по Data Science), заключили соглашение о создании совместной онлайн-магистратуры «Наука о данных», где будут стажировки в реальных проектах, чатики с менторами, индивидуальный план обучения. Занятия будут вести профессора НИТУ «МИСиС» и практикующие специалисты из Mail.ru Group, Яндекса, банков Тинькофф и ВТБ, компаний Lamoda, BIOCAD, АльфаСтрахование и др.
Это первый в России случай партнерства частной образовательной компании с государственным вузом по модели OPM (Online Program Management). Индустриальным партнером программы будет Mail.ru Group. Программу также поддерживают NVidia, Ростелеком и Университет НТИ «20.35».
Поступить в магистратуру смогут выпускники бакалавриата любого направления по результатам онлайн-экзамена. Подать заявку можно прямо сейчас и до 10 августа.