Науки о данных | МФТИ

🩵Как выглядит полный цикл работы Data Scientist Представьте типичный день: у сервиса растет отток клиентов. Бизнес в панике и приходит к команде с проблемой: «Хотим, чтобы пользователи уходили реже». Именно с проблемой, а не готовой ML-задачей — это важный аспект работы.  Как объясняют Константин Лапин, методист программ Центра «Пуск» МФТИ, и Антон Пчелинцев, академический руководитель программы, запрос «снизить отток» еще не означает, что компании обязательно нужна ML-модель.  ⏺Может хватить аналитики для рекомендации решений. ⏺Может понадобиться модель, которая будет прогнозировать вероятность ухода клиента. ⏺А может оказаться, что даже хороший прогноз ничего не изменит, если у бизнеса нет инструментов для удержания клиентов и текущий продукт на перешел точку перегиба и пошел на спад популярности либо сезонности. Поэтому первый этап работы инженера данных — понять: ⏺что именно хочет получить заказчик,  ⏺какие данные доступны,  ⏺насколько они качественные,  ⏺есть ли ограничения,  ⏺как будем оценивать результат.  И только после этих шагов формулировать конкретную задачу.  Потом начинается самое интересное — работа с данными! Это как собирать грибы в лесу — нужно найти, очистить, проверить, привести к единому формату. И если все сделать правильно, то будет вкусное блюдо. А если сделать небрежно, то… Не будем о грустном! Иногда приходится делать шаг назад, чтобы шагнуть вперед.

«Например, при обучении модели выясняется, что имеющихся данных недостаточно для решения задачи. Тогда приходится пересматривать подход к сбору данных или саму постановку задачи. Работа в Data Science — не линейная схема “сделал шаг 1, потом шаг 2, потом получил результат”. Это итеративная работа, где решения на одном этапе постоянно влияют на остальные».

Когда задача понятна, а данные подготовлены, можно выбирать модель. Но здесь тоже нет универсального плана действий.

«Например, модель дает более точный прогноз, но съедает столько вычислительных ресурсов, что компания просто не сможет нормально ее использовать. Надо уметь обосновывать свой выбор: почему этот подход подходит для задачи, по каким метрикам оценивать результат и на какие компромиссы придется идти.  Модель может хорошо решать ML-задачу, но не решать бизнес-задачу. Она будет бесполезной или даже вредной для бизнеса. Поэтому приходится смотреть сразу на оба уровня». 

Дальше — внедрение. Казалось бы, что там внедрять? Раскатал на прод и поехали! Но здесь есть важная разница: «Обучить модель и сделать модель частью продукта — очень разные задачи». В разных компаниях полный цикл работы устроен по-разному.  В небольшой команде инженер данных  может пройти почти весь путь сам: обсудить бизнес-задачу, исследовать данные, обучить модель и участвовать во внедрении модели в продукт. В большой компании задачи чаще делятся между специалистами: аналитиком, Data Engineer, ML Engineer, MLOps Engineer. Границы между ролями при этом не абсолютны. Даже если специалист отвечает только за один участок, ему нужно понимать весь цикл и видеть, как его решения влияют на остальные этапы, т.е. что он получает на входе и что от него ждут на выходе. И как раз на этом построено обучение в онлайн-магистратуре МФТИ «Науки о данных». Сначала студенты осваивают отдельные навыки. Потом объединяют их в более сложных задачах. А в итоге работают над собственными проектами: сами формулируют задачу, исследуют данные, выбирают решение, обучают модель, определяют метрики, интерпретируют результаты и учитывают реальные ограничения.  Напоминаем, что вы можете записаться на бесплатную консультацию, если остались вопросы по обучению Data Science.  👉Записаться на консультацию

⚙️🤩 Студенты МФТИ разработали систему для поиска ошибок в CAD-моделях Представьте: инженер спроектировал деталь, все размеры сходятся, геометрия корректна. А уже при подготовке к производству выясняется, что инструмент не достает до нужного участка или стенка детали слишком тонкая. Модель приходится дорабатывать.😬 Чтобы находить такие проблемы раньше, команда TechCAD. AI создала систему автоматической проверки технологичности CAD-моделей. В основе проекта — связка геометрического анализа, машинного обучения и технологических правил. 💻 Как это работает: 1. XGBoost анализирует 29 признаков геометрии и определяет предполагаемый способ изготовления детали: токарную, фрезерную или листовую обработку. На отдельной выборке из 4819 моделей точность классификации составила 99,83%. 2. DFM-алгоритмы проверяют конструкцию по 99 технологическим правилам. Например, выявляют слишком тонкие стенки, малые радиусы гиба или неудачное расположение отверстий. 3. LLM с использованием RAG формирует рекомендации на основе найденных нарушений и инженерной базы знаний. При испытании MVP на 50 CAD-моделях система обнаружила 62% нарушений, подтвержденных экспертом. Медианное время автоматического анализа составило 6,2 минуты. 🤔 Интересный технический нюанс: даже при точности классификатора 99,83% система может пропустить нарушение, если соответствующего правила еще нет в каталоге или для проверки недостаточно данных о производственном процессе. Команда продолжает развивать TechCAD. AI. В статье на Хабре подробно разобрали архитектуру продукта, выбор ML-модели, работу RAG и результаты испытаний — в том числе то, что пока не получилось. 🧠🔜 Читайте полный разбор TechCAD.AI на Хабре

Что общего у музыки, космоса и медицины? Музыкальные подборки, телескопы и МРТ объединяет работа с данными. Часть задач в этих направлениях решают специалисты по Data Science. Посмотрим на реальные задачи, чтобы понять, где сегодня применяется Data Science и чем занимается специалист: от рекомендательных систем до диагностики заболеваний. Это примеры из вводного урока курса «Карьера в Data Science» с Дмитрием Золотухиным, CDO и преподавателем МФТИ. 🎧 Подбирать музыку, фильмы и товары Специалисты по Data Science работают с рекомендательными системами. Например, музыкальный сервис может подбирать треки по истории прослушиваний и предлагать подкасты с учетом предпочтений пользователя. Онлайн-кинотеатр — показывать фильмы и сериалы в зависимости от поведения человека. А интернет-магазин — рекомендовать товары на основе того, что пользователь уже выбирал. 🚆 Находить дефекты в поездах Еще одна задача — распознавание дефектов в железнодорожном транспорте. Например, в локомотиве система может детектировать проблемы с тормозными системами.  🔭 Искать небесные объекты на снимках Data Science используют и в астрономии. Одна из задач — ускорить поиск небесных объектов по снимкам из телескопов. Такой поиск вручную может занимать много времени. AI помогает ускорить работу и точнее находить нужные объекты.  🛒 Повышать конверсию в магазинах Еще одна задача — понять, как увеличить конверсию человека, который пришел в магазин, в покупателя. Причем такая аналитика уже вышла за пределы Ozon, Wildberries и других онлайн-маркетов. Ее используют и в физических магазинах — например, в «Пятерочке», «Магните» и «Перекрестке». 🌾 Прогнозировать объем урожая У Сбера есть AI-решение, которое прогнозирует и детектирует объем урожая на полях. Здесь работает не одна ML-модель, а целый каскад: пайплайн сразу из четырех разных AI-решений. ⛑️Обнаруживать раковые опухоли на МРТ В медицине одна из задач Data Science — обнаружение раковых опухолей по снимкам МРТ. Причем и эта задача, и рекомендательные системы до сих пор остаются востребованными направлениями: их пока нельзя назвать окончательно решенными, работа над этими задачами продолжается. Если хотите подробнее разобраться в профессии и карьерных треках Data Science, посмотреть лекции преподавателей МФТИ по Big Data, машинному обучению и рекомендательным системам — забирайте бесплатный курс «Карьера в Data Science 2026».

Задача: нужно улучшить рекомендательную систему на базе LLM. Что даст эффект — изменить размер модели или способ инициализации новых токенов?  Александр Калистратов, выпускник Центра «Пуск» МФТИ, в выпускной работе исследовал рекомендательные системы на базе LLM. Обычно товар в рекомендательной системе представлен своим ID. Александр действовал иначе: представил каждый товар как последовательность специальных токенов — семантический идентификатор. Если у товаров совпадает часть такой последовательности, они похожи по смыслу. Эти новые токены Александр добавил в словарь LLM.  Эксперимент проводился на подмножестве Amazon Pet Supplies: 63 тыс. товаров и больше 100 тыс. историй покупок. Модель проверяли на четырех задачах, и они делятся на два типа: — семантические — сгенерировать текст по идентификатору и, наоборот, получить идентификатор по тексту; — коллаборативные — предсказать сопутствующий товар и следующий товар в истории взаимодействий пользователя. Как на качество влияет размер модели  Сначала Александр сравнил четыре LLM семейства Qwen разного размера: 0,6 млрд, 1,7 млрд, 4,8 млрд и 8 млрд параметров.  На семантических задачах более крупные модели лучше связывали идентификаторы с информацией о товаре: точнее генерировали идентификатор по тексту и текст по идентификатору. Основной прирост был при переходе от модели с 1,7 млрд параметров к модели с 4 млрд. Дальше разница между моделями сокращалась и уже не достигала статистической значимости.  На коллаборативных задачах увеличение модели прироста не дало. Как влияет способ инициализации новых токенов Когда в словарь LLM добавляют новый токен, для него нужно задать эмбеддинг — вектор, с которым модель будет дальше работать. Александр проверил четыре способа задать начальные значения этих эмбеддингов. Лучше всего сработал вариант, в котором использовали знания, уже заложенные в модели. Названия товаров разбивали на знакомые LLM токены и брали их эмбеддинги, чтобы на их основе инициализировать новые токены. По словам Александра, так они сразу оказывались «почти в правильном месте» в векторном пространстве.  На семантических задачах этот способ показал значимо лучший результат. А вот на предсказание сопутствующего и следующего товара способ инициализации не влиял. Собственный метод Александра — проекция кодовой книги — оказался худшим из четырех. Что в итоге

Если нужно научить модель связывать новые идентификаторы с текстом, имеют значение и размер модели, и способ инициализации. А в задачах на предсказание сопутствующего или следующего товара ни увеличение модели, ни способ инициализации прироста в этом эксперименте не дали. Как говорит Александр, для одних рекомендательных задач есть смысл «запариваться с большим размером модели и всеми вытекающими», а для других — нет.

⏺Полную запись эфира смотрите по ссылке: https://vkvideo.ru/video-224205661_456239143

💻«Мы учились удаленно — а эффект от Физтеха остался» В этом году Максим Зимаков окончил онлайн-магистратуру МФТИ «Науки о данных». До этого он учился очно, поэтому онлайн был для него новым опытом: получится ли так же общаться с людьми, быть частью университетской жизни, чувствовать себя студентом Физтеха? Через два года у Максима на этот вопрос уже есть ответ:  — Оказалось — в принципе да. Передаем слово Максиму.

— Сейчас мир очень динамичный, надо везде успевать: по работе, по делам, хоть какую-то личную жизнь иногда иметь. И поэтому онлайн в этом плане был упрощением: не надо ехать в определенное место, но обучение все равно остается качественным. И самое интересное — можно приезжать в кампус, участвовать во всех активностях, приезжать на факультативы. Физтех ровно так же поддерживает и помогает, хоть ты и удаленщик. Не важно. Мы все переписывались, друг другу помогали, друг друга поддерживали. И сейчас встречаемся, видим друг друга вживую — и это очень интересно. Наверное, для меня самое ценное — вообще возможности, которые дает вуз. Я участвовал в конкурсе студенческих стартапов «Фонд содействия инновациям» — у Физтеха сразу для этого есть внутренний курс, где помогают понять, как подать документы, помогают с письмами. Все движухи Физтеха — это было.  И нет такого ощущения, что раз ты на онлайн-программе, то руководству (*преподавательскому составу) все равно. Нет, им не все равно. Ты обращаешься — люди стараются помочь. Оказалось, что мой диплом есть кому показать. Просто из общения. Мне сказали: есть человек, которому можно его показать, может быть, получится дальше это продвинуть. С дипломом у меня вообще был шикарный опыт. Я делал его реально год. С научным руководителем мы созванивались каждую неделю. Он меня направлял, а я шел дальше. Даже на предзащите и защите все давали конкретную критику, причем обоснованную. Ты понимаешь свои слабые места и где тебе нужно усилиться. И от всех чувствуется не негатив, а то, что тебе хотят помочь.  Этот опыт меня однозначно изменил. Я понял, что можно просто написать незнакомому преподавателю — и он тебе ответит, поможет. Можно приехать на Физтех — все доброжелательны, тебя еще встречают с улыбкой. Никакого негатива никогда не было. Чувствуется единство.  И я, наверное, понял еще одну вещь: все двери можно открывать. Не надо сильно зажиматься. Больше коммуникации, больше общения с людьми — и люди тебе открываются тоже.

👥 Что отличает сильного кандидата в Data Science На эфире МФТИ о карьере в Data Science Александр Толмачев, директор по машинному обучению и анализу данных в Ozon Банке, рассказал, что замечает как нанимающий менеджер:

Если вы эти пункты сделаете, я вам гарантирую, что в абсолютном большинстве собеседований вы будете очень значимо отличаться от 90% всех кандидатов

Собрали его рекомендации. 1. Проявлять инициативу Не просто выполнить задачу, а самому погрузиться в тему, изучить новую информацию и принести предложение.

Нанимающий менеджер, когда слышит, что вы проявляете инициативу, такой: блин, классно. 9 из 10 не проявляют инициативу.

2. Уметь нормально доносить свою мысль По словам Александра, софты становятся все важнее. Нужно «не лить воду, говорить аргументированно, говорить прозрачно, не быть токсичным», уметь договариваться и защищать свое решение.

Трансляция мысли между людьми становится очень важной.

3. Делать свои проекты и показывать их

Девятнадцать из двадцати кандидатов, которые приходят ко мне на собес, — у них резюме типовое. Работал там-то и так далее.

А у одного из двадцати уже в первых строках есть другое: «Смотри, ссылка, вот мой сайт, вот мой pet-проект, вот мой Git». Такой кандидат сразу отличается: видно, что человек «не просто ищет работу, а кайфует от этого и хочет в этом развиваться». 4. Доводить проекты до рабочих прототипов Особенно хорошо, если результат можно не только посмотреть в репозитории, но и запустить. Проект может быть историей в духе «вот я на данных что-то изучил», а прототип — уже «готовая классная история, которую можно пощупать, потыкать». 5. Сделать ИИ-агентов своим рабочим инструментом Александр советует воспринимать агентов как своих персональных ассистентов.

Это не для работы нужно, это нужно вам для жизни. 

Работа с моделями постепенно заставляет разбираться глубже: в лимитах, токенах, стоимости, выборе инструментов и в том, как собрать из них собственную систему. 6. Учиться управлять агентами и понимать архитектуру решения Следующий уровень — уметь параллельно работать с несколькими агентами, контролировать результат и понимать, как связаны части системы.

Чем круче вы умеете управлять агентами, их развивать и контролировать, и оркестрировать, тем вы выгоднее будете отличаться от других кандидатов

🤔 А если коммерческого опыта пока нет Сам Александр первую работу искал 6–7 месяцев.

Я просто ходил и откликался везде вообще. Главное — чтобы работать по специальности. Не важно где, но по специальности

Отказы давались тяжело: «Очень больно было, когда отказывают, прям до слез». Но после каждого собеседования он старался понять, что сделал неправильно, и использовал этот опыт, чтобы увеличить свои шансы на следующий офер. В итоге первой работой стал небольшой региональный банк.

Мы все с вами думаем, что надо сначала попасть куда-то в крутую компанию. Ваша сейчас задача — попасть куда-нибудь, чтобы вы наработали этот опыт, прошли какие-то болячки свои, поняли, что вы не перегораете, улучшились.

🤩🚀 Новый учебный год в МФТИ начался Студенты онлайн-магистратуры уже приступили к занятиям — начались пары, знакомства с преподавателями и первые учебные задачи. А мы будем в течение года показывать здесь, как проходит их обучение изнутри.  Приемная кампания завершилась, следующий набор — весной 2027 🙂 Но если вы думаете о поступлении в следующем году, ждать весны не обязательно. Оставить заявку на консультацию можно в течение всего года — наша команда расскажет об обучении, поступлении и поможет разобраться, подходит ли вам магистратура: ☝ https://mipt.online/masters/data_science?utm_source=tg&utm_medium=ds#rec2158440981.  Канал продолжит работать для вас. Здесь будем публиковать разборы по Data Science, ML и AI, рассказывать о карьерных траекториях в данных, преподавателях и экспертах программы, проектах студентов, хакатонах. Так что не прощаемся — впереди много контента, который пригодится еще до поступления. Кто остается с нами до следующей приемной — помашите нам 👋

🤔 Задача: почему RAG может находить не то, что вы у него спрашиваете VEDA — ИИ-платформа для школьников, где для ответов используют реальные учебники. Это важно: в школьной программе много точных фактов, а LLM может галлюцинировать. На партнерском митапе МФТИ и РЭУ Пелагея Пашинская, ведущий ML-инженер и участница команды VEDA, рассказала, как команда дообучала энкодер для RAG. 😐 Качество поиска не устраивало команду, а реальных пользовательских запросов почти не было. Если коротко, RAG сначала ищет подходящие фрагменты в базе знаний, а затем передает их LLM как контекст для ответа. Энкодер нужен, чтобы сопоставлять запросы и фрагменты текста при поиске. Проблема: на запрос «Как человек влияет на растительный мир?» система возвращала чанки — фрагменты текста — про влияние леса на среду, среды обитания растений и лишайники. Темы рядом, но ответа на вопрос нет. И это был не единичный случай. У модели, которая использовалась в продукте, Recall@1 был всего 36%: нужный фрагмент оказывался первым примерно в трети случаев. В 125 запросах из 500 релевантного чанка не было даже среди первых пяти. Команда решила дорабатывать retrieval — этап, на котором RAG ищет нужные фрагменты. В VEDA использовали универсальную MiniLM, не адаптированную под школьные тексты и запросы.  📚 Исходными данными стали 5500 чанков учебников. Для каждого через GPT-4o mini генерировали по 3–5 запросов «от лица школьника» и получили около 27,5 тыс. пар: запрос + правильный фрагмент.  Для обучения добавили hard negatives — тексты, похожие на правильный ответ, но не отвечающие на запрос. Например, для вопроса «Как размножаются мхи?» правильный чанк описывал размножение мхов, а hard negative мог рассказывать о мхах в целом или о размножении папоротников.🌿 Не все примеры оказались одинаково полезными. Тексты, сгенерированные LLM, модель научилась отбрасывать слишком легко. Одна из гипотез команды — они могли заметно отличаться от реальных фрагментов учебников. А соседние чанки из того же параграфа оказались сложнее: тема близкая, но ответа на конкретный вопрос нет. Отдельно команда сравнила модели еще без дообучения. Базовая BGE-M3 показала Recall@1 около 68% против 36% у MiniLM, которая использовалась в рабочей версии VEDA.  После дообучения BGE-M3 на собранных данных показатель вырос до 76,1%. MRR — метрика, которая учитывает позицию первого релевантного фрагмента в выдаче, — вырос примерно с 0,78 до 0,85. И на том же вопросе про влияние человека на растительный мир retrieval уже находил фрагменты про вырубку, земледелие, загрязнение, осушение и орошение земель. В случае VEDA проблема была именно в retrieval: до LLM доходили фрагменты, близкие по теме, но не отвечающие на конкретный вопрос. После замены и дообучения энкодера качество поиска заметно выросло.  А если вы только присматриваетесь к Data Science, в этом кейсе хорошо видно, с какой задачей может столкнуться ML-инженер: качество не устраивает, готовых данных почти нет — нужно собрать их, сравнить модели и проверить результат метриками. Хотели бы еще разборы реальных ML-задач? 🔥 — да, особенно с метриками и ошибками 🤪 — да, только термины выдавайте порциями  😂 — нет, мой Recall@1 на сегодня исчерпан

⏰ Сегодня последний день приема документов в онлайн-магистратуры МФТИ  Подать заявление на программы набора 2026 года можно до 23:59 (Мск) 15 августа. Если вы собирались поступать, но откладывали подачу документов, у вас еще есть несколько часов. Отправьте заявление через Госуслуги и сразу выберите дату вступительного испытания. Экзамен по всем 3 программам можно сдать 18 августа. 📥 Подать заявление через Госуслуги: https://www.gosuslugi.ru/vuzonline. Инструкция по подаче документов: https://mipt.online/podacha-docs. 🤗 Будем рады видеть вас в МФТИ — учиться, знакомиться, работать над проектами и проходить этот путь вместе!

⏳ До конца приема документов — 2 дня Подать документы в онлайн-магистратуры МФТИ можно только через Госуслуги gosuslugi.ru/vuzonline — до 23:59 (Мск) 15 августа.  Вся официальная информация о правилах приема размещена на сайте приемной комиссии МФТИ: pk.mipt.ru/master. Подробная инструкция по подаче и отслеживанию заявления: https://mipt.online/podacha-docs. Вы можете оставить заявку на консультацию, и наш менеджер по поступлению проконсультирует вас: https://mipt.online/masters/data_science#rec2158440981  😊До встречи в МФТИ! Если перед подачей документов остались вопросы — мы рядом и готовы помочь.

🏁 Завтра пройдет последняя консультация по подготовке к вступительному экзамену Дата: 13 августа (четверг) Время: 18:00–20:50 Встреча пройдет в рамках подготовительного курса для абитуриентов онлайн-магистратуры «Науки о данных». На консультации разберем демобилет 4 и порядок проведения вступительного испытания. Вы сможете решить задания самостоятельно, обсудить их с преподавателем и задать вопросы по подготовке к экзамену. 📍 На каждой консультации разбирают разные билеты. Чтобы попасть на занятие, нужно заранее получить доступ к подготовительному курсу: оставить заявку на сайте магистратуры МФТИ и пройти консультацию с менеджером по поступлению. Получить доступ: https://mipt.online/masters/data_science?utm_source=general&utm_source=tg&utm_medium=ds#rec2158440981 ⏱️ Длительность встречи: 2 часа 50 минут. Рекомендуем подключиться заранее.

😒 ❤️ Последняя неделя приема в онлайн-магистратуру МФТИ «Науки о данных» До 15 августа (включительно) можно подать документы на программу набора 2026 года. Если вы давно присматривались к магистратуре, но откладывали подачу, время еще есть. Для поступления нужно подготовить мотивационное письмо и сдать экзамен по математике и алгоритмам на Python. Для подготовки доступен специальный курс.  Вступительное испытание можно пройти 15 или 18 августа. Ждать полной готовности к экзамену не нужно: заявление можно отправить уже сейчас, а оставшиеся дни посвятить подготовке. На программе вы сможете выбрать один из трех профильных треков: — Machine Learning; — Data Engineering; — Data Analysis. Подробнее о программе: https://mipt.online/masters/data_science. 📥 Обратите внимание: подать документы можно до 15 августа, 23:59 (Мск), через портал Госуслуг: https://www.gosuslugi.ru/vuzonline. 👉 Инструкция по подаче документов: https://mipt.online/podacha-docs. Если остались вопросы о программе или поступлении, оставьте заявку на консультацию на странице магистратуры — менеджер свяжется с вами и поможет разобраться.

📜 Что мы хотели бы знать до поступления в магистратуру МФТИ: советы от выпускников  Если бы можно было отмотать время на два года назад, что бы вы посоветовали себе перед поступлением в онлайн-магистратуру? 🤔 С таким вопросом мы пришли к нашим выпускникам 2026 года. Ребята честно поделились своим опытом. Узнайте из первых уст, как взять от учебы максимум, чего ждать от магистратуры и что оказалось неожиданным для студентов. Спойлер: придется попотеть.😓

💳 Образовательный кредит с господдержкой: как оформить и что важно знать до подачи заявки 11 августа приглашаем на онлайн-встречу об образовательном кредите с господдержкой. Расскажем, кому подходит этот способ оплаты, как оформить кредит и какие условия стоит изучить до подачи заявки. Отдельно обсудим льготные условия: ставку 3%, сниженный платеж во время обучения и льготный период, который действует весь срок учебы и еще 9 месяцев после нее. На встрече разберем: — как устроен образовательный кредит с господдержкой; — кто может его оформить; — какие изменения появились в продукте; — как проходит подача заявки; — как работать в личном кабинете во время оформления; — на что обратить внимание до подписания договора. Спикер — Илья Барылин, ведущий менеджер по работе с образовательными организациями и куратор онлайн-мероприятий в рамках продукта «Образовательный кредит с господдержкой». Встреча будет полезна абитуриентам, студентам и родителям, которые хотят заранее разобраться с оплатой обучения и понять порядок действий. 🗓️11 августа в 18:00 (Мск) 🩵 Регистрация

🗓 «Поступлю позже»: 5 вопросов, которые стоит задать себе перед магистратурой Сомневаться перед поступлением — это нормально. В голове обычно крутится одно и то же: «Может, еще год поработать?», «Сначала подтяну знания, потом пойду», «Сейчас не лучший момент — и так завал». Но часто проходит год — а мысли те же. Опять кажется, что знаний не хватает, на работе все тот же день сурка, и все так же непонятно, как сделать следующий рывок в карьере. Этими же вопросами задавались и наши студенты. 1. «Что будет, если оставить все как есть еще на год?» Если вы чувствуете, что уперлись в потолок дохода или карьерный тупик, хотите сменить направление или брать более масштабные задачи — подумайте: изменит ли что-то еще один год ожидания сам по себе? В онлайн-магистратуре Центра «Пуск» МФТИ вы попадаете в среду, где просто не получится стоять на месте. Здесь вы будете учиться в окружении сильных коллег со средним возрастом 28–30 лет — опытных специалистов из ИТ и смежных сфер, которые приходят за ростом и новыми проектами. 2. «Каких навыков мне не хватает для карьеры прямо сейчас?» Обычно мы учимся на ходу: тут подсмотрели у коллег, там прошли короткий курс, почитали статью. Но когда дело доходит до серьезных задач, возникает чувство, будто каждую проблему приходится «гуглить с нуля». Магистратура помогает собрать разрозненный опыт в фундаментальную систему: разложить сложные темы по полочкам, перенять экспертизу у ведущих практиков индустрии и научиться решать задачи уровня лидеров рынка. 3. «Чем пополнится мое портфолио за следующий год?» На собеседованиях фразы «я это изучал» или «я про это читал» давно не работают. Нанимающим руководителям важно видеть подтвержденную квалификацию и реальные результаты. В магистратуре вы не просто слушаете лекции, а работаете над практикой. У нас есть 3 формата выпускной работы: — Реальная бизнес-задача от партнеров (например, кейсы для Сбера, билайна, Hoff, Совкомбанка и др.). — Запуск собственного стартапа с поддержкой и консультациями экспертов. — Глубокое исследование или R&D-проект. К моменту защиты у вас будет не просто диплом МФТИ, а готовый кейс для портфолио. 4. «Честно: готов ли я выделить время на учебу?» Да, магистратура МФТИ — это полноценное высшее образование, а не легкий курс на пару часов в неделю. Она действительно требует дисциплины. Но вы не останетесь с этим один на один. Во-первых, онлайн-формат позволяет совмещать учебу с работой (студенты обычно занимаются по вечерам и в выходные). Во-вторых, у нас есть подготовительный курс, который помогает закрыть пробелы перед стартом, а преподаватели и менторы на связи и готовы помочь, если нужно разобраться в сложной теме. Если понимаете, что не укладываетесь в дедлайны, их можно обсудить с кураторами. 5. «Где я хочу оказаться через два года? (Именно столько длится обучение в магистратуре)» Иногда не нужно иметь детальный план на 5 лет вперед. Понимание того, куда расти, часто приходит прямо в процессе: когда вы обсуждаете проект с одногруппниками, получаете «прожарку» кейса от экспертов из индустрии или осваиваете новые инструменты, которые сразу внедряете в работу. ⚡️ Главное — начать двигаться. А первый шаг — перестать откладывать свой рост на потом. 💡Если у вас еще остались сомнения или вопросы о программе, приходите на бесплатную консультацию. На встрече подробно расскажем о вступительных испытаниях, подготовительном курсе и ответим на все, что вас волнует. 🩵 Запись на консультацию

👍 Завтра пройдет консультация по подготовке к вступительному экзамену Дата: 4 августа (вторник) Время: 18:00–20:50 Встреча пройдет в рамках подготовительного курса для абитуриентов онлайн-магистратуры «Науки о данных». На консультации разберем демобилет 3 и порядок проведения вступительного испытания. Вы сможете решить задания самостоятельно, обсудить их с преподавателем и задать вопросы по подготовке к экзамену. 📍 На каждой консультации разбирают разные билеты. Чтобы попасть на занятие, нужно заранее получить доступ к подготовительному курсу: оставить заявку на сайте магистратуры МФТИ и пройти консультацию с менеджером по поступлению. Получить доступ: https://mipt.online/masters/data_science?utm_source=general&utm_source=tg&utm_medium=ds#rec2158440981 ⏱️ Длительность встречи: 2 часа 50 минут. Рекомендуем подключиться заранее.

📚📊 Завтра пройдет консультация по подготовке к вступительному экзамену Дата: 23 июля (четверг) Время: 18:00–20:50 Встреча пройдет в рамках подготовительного курса для абитуриентов онлайн-магистратуры «Науки о данных». На консультации разберем демобилет и порядок проведения вступительного испытания. Вы сможете решить задания самостоятельно, обсудить их с преподавателем и задать вопросы по подготовке к экзамену. 📍 На каждой консультации разбирают разные билеты. Чтобы попасть на занятие, нужно заранее получить доступ к подготовительному курсу: оставить заявку на сайте магистратуры МФТИ и пройти консультацию с менеджером по поступлению. Получить доступ: https://mipt.online/masters/data_science?utm_source=general&utm_source=tg&utm_medium=ds#rec2158440981 ⏱️ Длительность встречи: 2 часа 50 минут. Рекомендуем подключиться заранее.

🗞 До конца приема документов в онлайн-магистратуру МФТИ «Науки о данных» осталось меньше месяца Если вы планировали поступать в этом году, сейчас самое время вернуться к документам, срокам и подготовке к вступительным испытаниям. Прием документов в онлайн-магистратуру МФТИ «Науки о данных» завершится 15 августа.⏳ Программа подойдет тем, кто хочет развиваться в Data Science, машинном обучении, аналитике данных и работе с большими данными. Во время обучения студенты изучают фундаментальные и прикладные дисциплины, работают с практическими задачами, разбирают индустриальные кейсы и готовят диплом в формате исследования, стартапа или корпоративного проекта. Онлайн-формат помогает совмещать учебу с работой: занятия проходят по вечерам и в выходные, а материалы доступны на образовательной платформе. При этом обучение в магистратуре требует регулярной включенности: нагрузка составляет около 25–30 часов в неделю. За месяц еще можно успеть: — уточнить требования к поступлению; — подготовить документы; — разобраться со вступительными испытаниями; — пройти консультацию и задать вопросы команде магистратуры; — начать подготовку к обучению. Если вы давно присматривались к Data Science, но откладывали решение, начните с консультации. На встрече расскажем, как устроена программа, какие документы нужны для поступления и как подготовиться к вступительным испытаниям. ➡️ Запишитесь на бесплатную консультацию и узнайте, что нужно успеть сделать до окончания приема документов

📢 День открытых дверей онлайн-магистратуры МФТИ «Науки о данных» 22 июля приглашаем на открытый эфир о программе «Науки о данных» для тех, кто хочет перейти в Data Science, углубить знания в машинном обучении и работе с данными или применять эти технологии в своей профессиональной области. На эфире расскажем: — Кому подходит программа и с каким бэкграундом можно поступать. — Как устроен учебный план и какие треки можно выбрать: Machine Learning, Data Engineering или Data Analysis. — Как совмещать онлайн-магистратуру с работой и сколько времени занимает обучение. — Над какими кейсами работают студенты и что можно добавить в портфолио. — Какие форматы дипломной работы доступны: исследование, стартап или корпоративный проект. — Как обучение повлияло на профессиональный путь выпускников программы. — Как проходит поступление в 2026 году и к чему надо подготовиться. В конце встречи ответим на вопросы об обучении и поступлении. 📅 22 июля (среда), 18:00 (Мск) 💻 Онлайн ➡️ Регистрация

🤩 В МФТИ обучили нейросети для локального анализа ВИЧ-1 на портативном комплексе Студент-исследователь МФТИ Роман Горбенко под научным руководством Никиты Радченко разработал две ML-модели для анализа ВИЧ-1. Работа выполнена в формате «стартап как диплом». Разработка стала частью OnSiteSeq — портативного программно-аппаратного комплекса, который позволяет проводить геномный анализ на месте: без отправки данных во внешние сервисы и использования большой стационарной лаборатории. В чем задача ВИЧ постоянно и очень быстро мутирует. Чтобы подобрать эффективную терапию, врачу важно знать две вещи: к каким препаратам у вируса уже появилась устойчивость и какая разновидность (субтип) вируса находится в организме. Обычно для этого используют зарубежные онлайн-базы. Но у них есть серьезные ограничения: требуется стабильный доступ в интернет, а российские типы вируса распознаются хуже. Дело в том, что около 83% пациентов в России заражены особой разновидностью ВИЧ-1 (линией А6), которая редко встречается в зарубежных базах. Из-за этого иностранные алгоритмы могут ошибаться при анализе российских образцов. Что сделал Роман Роман создал алгоритмы, которые работают полностью автономно и локально — на небольшом переносном устройстве, без интернета и обращения к внешним сервисам. Нейросети получают «сырые» данные с портативного ДНК-секвенатора и сразу формируют готовый отчет для врача. Первая модель оценивает вероятность лекарственной устойчивости ВИЧ-1 к 14 антиретровирусным препаратам. В ее архитектуру встроен механизм Self-Attention, который позволяет учитывать связи между мутациями, даже если они находятся далеко друг от друга в геномной последовательности. Вторая модель определяет субтип вируса по env-гену — участку, кодирующему белки вирусной оболочки. Что получилось Модели протестировали на независимых российских данных RuHIV, предоставленных ЦНИИ Эпидемиологии Роспотребнадзора. В выборку вошли данные 356 пациентов. Средний ROC-AUC для прогноза устойчивости к 14 препаратам составил 0,990. Точность определения основной российской линии A6 достигла 99,64%, F1 = 1,00. Полный конвейер также запустили на OnSiteSeq Edge с вычислительным блоком NVIDIA Jetson AGX Xavier. Что дальше Это исследовательская разработка. Чтобы ее можно было использовать как медицинское программное обеспечение, нужно пройти следующие этапы: клинические исследования на новых пациентах, проверка редких субтипов, сравнение с лабораторными фенотипическими тестами и регистрация. 🔗 Подробный технический разбор архитектуры моделей, данных и запуска на OnSiteSeq — читайте в статье на Хабре: https://habr.com/ru/companies/mipt_digital/articles/1058460/