School of Applied Mathematics

Regular version of the site

The School of Applied Mathematics was created in 2015. Our educational programmes focus on the development of control systems and information processing, as well as modern methods of mathematical and computer modeling. The School implements master’s programmes in ‘Information Management’ and ‘Processing Systems in Engineering’.

Publications

Book

Essays on Topology Dedicated to Valentin Poénaru

Akhmet’ev P.

Switzerland: Springer, 2025.

Article

Lorentz Invariance of the Multidimensional Dirac–Hestenes Equation

Rumiantseva S., Shirokov D.

Advances in Applied Clifford Algebras. 2026. Vol. 36.

Book chapter

A Model Evaluating the Quality of Regional Educational System

Aleskerov F. T., Delakhova A., Chaika E. et al.

In bk.: Proceedings of The Fifth France's International Conference on Complex Systems (FRCCS 2025). Springer, 2025.

Working paper

Ideal of the variety of flexes of plane cubics

Popov V.

math. arXiv. Cornell University, 2025. No. 2502.01539.

All publications

Category 'Best Course for Career Development'

Category 'Best Course for Broadening Horizons and Diversity of Knowledge and Skills'

Delivered by:: School of Applied Mathematics

Type:: Mago-Lego

When:: 1, 2 module

Instructor

Kulaev, Maksim

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс предназначен для разработчиков, желающих углубить знания в области машинного обучения (ML) и освоить ключевые инструменты для работы с ML-системами. Программа охватывает полный цикл разработки: от подготовки данных до развертывания и мониторинга моделей. Студенты познакомятся с методологией CRISP-ML, инструментами управления данными (DVC, Git), базами данных (реляционными, объектными, векторными), а также освоят трекинг экспериментов с MLFlow. Научатся контейнеризировать приложения с помощью Docker и настраивать развертывание в Kubernetes. Особое внимание будет уделено CI/CD процессам и мониторингу ML-систем с использованием Prometheus и Grafana. Практические задания включают настройку хранилищ данных, автоматизацию с Airflow, развертывание моделей, создание REST API и настройку мониторинга. Завершает курс защита проекта и тренировка технических собеседований. При обучении предусмотрен контроль знаний студентов в виде проектной работы и промежуточных контролей, сумма баллов за которые составляет итоговую оценку за курс.

Цель освоения дисциплины

Целью освоения дисциплины является формирование у студентов теоретических знаний и практических навыков, необходимых для полного цикла работы с ML-системами: от подготовки данных и создания моделей до их развертывания, мониторинга и автоматизации процессов.

Планируемые результаты обучения

Способен получать, очищать, анализировать и визуализировать большие объёмы данных
Способен реализовывать модели и алгоритмы прикладной математике в виде компьютерных программ
Знает методологию CRISP-ML, устройство разработки ML проекта.
Знает о наиболее распространенных хранилищах, базах данных
Знает локальные и распределенные файловые системы, базы данных: реляционные, объектные
Знает о подходах к версионированию данных (кода, датасетов, моделей)
Знает, что такое разметка данных, зачем нужна и в каких ситуациях
Умеет версионировать данные с помощью связки инструментов dvc + git
Знает, что такое векторный движок, векторная база данных, key-value база данных
Знает, что такое ML эксперимент, как его ставить, какие данные об эксперименте нужно сохранять, чтобы этот эксперимент можно было повторить
Знает о типичных инструментах для трекинга, анализа эксперимента таких как MLFlow, KubeFlow + TensorBoard
Знает, что такое Docker, Kubernetes, что это за инструменты, для чего используются, какие проблемы решают, базово про их устройство
Знает, что такое http запрос, REST API, о том как можно обернуть модель в REST сервис
Умеет выполнять базовые команды Docker, как собирать, загружать образы, Dockerfile, docker-compose
Умеет делать базовое web приложение на Flask/FastAPI
Знает о подходах к обертке модели в сервис посредством готовых инструментов
Знает, в чем плюсы и минусы в сравнении с собственной реализацией, области применения
Знает о различных форматах представления, экспорта моделей, способов их оптимизации, в том числе на ГПУ
Умеет использовать и синхронизировать потоки
Знает о том, что такое регулярные расчеты, ETL, потоковая и батчевая обработка данных
Знает про инструменты запуска регулярных расчетов (Airflow), обработки потоковых данных (Kafka), их принципы работы
Знает про типичные задачи, которые решаются этими инструментами
Знает, в чем состоит концепция CI/CD, чем он может быть полезен, какие типичные сценария применения в рабочих процессах
Умеет настраивать CI/CD пайплайны в рамках gitlab
Знает, зачем нужно настраивать мониторинг своих сервисов, какие обычно метрики отслеживают, в том числе и ML специфичные
Знает о базовых концепциях аб тестирования
Умеет настраивать дашборды с метриками

Содержание учебной дисциплины

Введение в Python
Библиотека Numpy
Д/З: написание типовых конструкций с использованием выражений-генераторов и функций.
Библиотека Pandas
Д/З: написать программу для скачивания информации о самых популярных 5000 книг из раздела "Художественная литература" магазина "Relod" с использованием библиотек BeautifulSoup и/или lxml.
Визуализация данных
Углубленный Python. Часть 1
Углубленный Python. Часть 2
Парсинг данных с помощью Python
Введение в статистику - 1
Д/З: Мини-проект по анализу данных
Введение в статистику - 2
Временные ряды
Д/З: Kaggle Inclass
Введение в SQL

Элементы контроля

Коллоквиум
ДЗ
Экзамен

Промежуточная аттестация

2023/2024 учебный год 2 модуль
0.7 * ДЗ + 0.2 * Коллоквиум + 0.1 * Экзамен

Список литературы

Авторы

Сластников Сергей Александрович

Data Analysis