Технологии машинного обучения развиваются на стыке передовых достижений современной науки о данных и сферы искусственного интеллекта. Программа сочетает изучение наиболее актуальных тем и самых свежих достижений в отрасли с глубоким погружением в математические основы (продвинутый курс линейной алгебры, теорию оптимизации, многомерную статистику и т.д.)

Успешный выпускник трека MLAI сможет:

• разрабатывать алгоритмы машинного обучения на уровне ведущих мировых аналогов (или превосходящие их) для применения как в традиционных, так и в принципиально новых областях
• внести свой вклад в разработку алгоритмов машинного обучения на уровне ведущих мировых аналогов (или превосходящих их) для применения как в традиционно востребованных, так и в принципиально новых областях
• применять соответствующие программные средства, алгоритмы, языки программирования, модели данных и вычислительные среды для решения реальных задач

Обучение в рамках этого трека также возможно в сетевой форме с МФТИ.

Этот трек направлен на обучение нового поколения ученых и инженеров в области вычислительной техники, способных сочетать основные и управляемые данными подходы в математическом моделировании природных, промышленных и социальных явлений. В учебном плане тщательно сбалансированы продвинутые вычисления, машинное обучение и вычислительная физика, что подчеркивает реализацию крупномасштабных моделей в современных вычислительных средах.

Успешный выпускник трека DIMMS сможет:

• выстраивать математические модели промышленных процессов и технологий, а также естественных явлений
• создавать эффективные численные алгоритмы и сверхоперативные коды для решения инженерных и академических задач любого типа и уровня
• применять инструменты машинного обучения и анализа данных для математического моделирования сложных систем

Статистическая теория обучения находится на переднем крае нескольких подразделов математики и компьютерных наук. Это одно из самых динамично развивающихся направлений современной науки, охватывающее математическую статистику, машинное обучение, теорию оптимизации, теорию информации и теорию сложности вычислений. С первых дней программы студенты работают совместно в тематических научных группах, параллельно занимаются самостоятельной научной работой, перенимая опыт от экспертов с мировым именем в сферах статистики, оптимизации, машинного обучения, работающих в Сколтехе, НИУ ВШЭ или специально приглашенных из других организаций для чтения учебных курсов.

Успешный выпускник трека SLT сможет:

• приобрести глубокие и практически применимые знания и навыки современных методов и подходов в статистическом обучении, включая математическую статистику, стохастические процессы, выпуклую оптимизацию
• применять и совершенствовать эти инструменты для решения сложных проблем анализа данных, поступающих из реальной практики