Центр непрерывного образования ФКН НИУ ВШЭ
رفتن به کانال در Telegram
Дополнительное профессиональное образование от факультета компьютерных наук НИУ ВШЭ. Программы с нуля и продвинутые курсы по: - математике - программированию и ИИ - анализу данных и Data Science - фронтенду и геймдеву Сайт: https://cs.hse.ru/dpo
نمایش بیشتر
شبکه:6 023
مشترکین
-124 ساعت
-87 روز
+130 روز
در حال بارگیری داده...
کانالهای مشابه
ابر برچسبها
اشارات ورودی و خروجی
---
---
---
---
---
---
جذب مشترکین
ژوئیه '26
ژوئیه '26
+14
در 0 کانالها
ژوئن '26
+78
در 9 کانالها
Get PRO
مه '26
+77
در 1 کانالها
Get PRO
آوریل '26
+84
در 0 کانالها
Get PRO
مارس '26
+115
در 0 کانالها
Get PRO
فوریه '26
+238
در 4 کانالها
Get PRO
ژانویه '26
+95
در 0 کانالها
Get PRO
دسامبر '25
+45
در 2 کانالها
Get PRO
نوامبر '25
+99
در 3 کانالها
Get PRO
اکتبر '25
+116
در 3 کانالها
Get PRO
سپتامبر '25
+160
در 0 کانالها
Get PRO
اوت '25
+374
در 7 کانالها
Get PRO
ژوئیه '25
+155
در 4 کانالها
Get PRO
ژوئن '25
+109
در 1 کانالها
Get PRO
مه '25
+381
در 2 کانالها
Get PRO
آوریل '25
+375
در 0 کانالها
Get PRO
مارس '25
+103
در 0 کانالها
Get PRO
فوریه '25
+291
در 4 کانالها
Get PRO
ژانویه '25
+229
در 2 کانالها
Get PRO
دسامبر '24
+280
در 3 کانالها
Get PRO
نوامبر '24
+162
در 4 کانالها
Get PRO
اکتبر '24
+158
در 4 کانالها
Get PRO
سپتامبر '24
+103
در 3 کانالها
Get PRO
اوت '24
+319
در 6 کانالها
Get PRO
ژوئیه '24
+692
در 11 کانالها
Get PRO
ژوئن '24
+144
در 2 کانالها
Get PRO
مه '24
+341
در 5 کانالها
Get PRO
آوریل '24
+291
در 9 کانالها
Get PRO
مارس '24
+207
در 1 کانالها
Get PRO
فوریه '24
+338
در 4 کانالها
Get PRO
ژانویه '24
+586
در 3 کانالها
Get PRO
دسامبر '23
+707
در 5 کانالها
Get PRO
نوامبر '23
+72
در 3 کانالها
Get PRO
اکتبر '23
+217
در 2 کانالها
Get PRO
سپتامبر '23
+105
در 0 کانالها
Get PRO
اوت '23
+266
در 0 کانالها
Get PRO
ژوئیه '23
+94
در 0 کانالها
Get PRO
ژوئن '23
+106
در 0 کانالها
Get PRO
مه '23
+40
در 0 کانالها
Get PRO
آوریل '23
+226
در 0 کانالها
Get PRO
مارس '23
+48
در 0 کانالها
Get PRO
فوریه '23
+159
در 0 کانالها
Get PRO
ژانویه '23
+315
در 0 کانالها
Get PRO
دسامبر '22
+440
در 0 کانالها
| تاریخ | رشد مشترکین | اشارات | کانالها | |
| 13 ژوئیه | 0 | |||
| 12 ژوئیه | +1 | |||
| 11 ژوئیه | 0 | |||
| 10 ژوئیه | +2 | |||
| 09 ژوئیه | +1 | |||
| 08 ژوئیه | +3 | |||
| 07 ژوئیه | 0 | |||
| 06 ژوئیه | +2 | |||
| 05 ژوئیه | +1 | |||
| 04 ژوئیه | +1 | |||
| 03 ژوئیه | +2 | |||
| 02 ژوئیه | 0 | |||
| 01 ژوئیه | +1 |
پستهای کانال
Делимся полезным мероприятием от наших новых информационных партнеров.
Россельхозбанк открыл прием заявок на четвёртый сезон конкурса молодых учёных «Созвездие агротеха».
Конкурс направлен на поддержку перспективных разработок, в том числе, в области цифровизации сельского хозяйства — от ИИ и анализа данных до автоматизации, роботизации и других решений для агропромышленного комплекса.
Кто может участвовать?
🟣Студенты, магистранты, аспиранты, научные сотрудники, кандидаты и доктора наук от 18 до 35 лет с собственными разработками или патентами по одному из направлений конкурса.
Победителей ждут:
🟣200 000 рублей
🟣Поддержка в развитии и продвижении проекта
🟣Возможность привлечь финансирование и найти индустриальных партнёров
🟣Презентация проекта перед инвесторами АгроИнвестКлуба
🟣Выступление на научной конференции в финале конкурса
📁Заявки принимаются до 30 сентября.
Регистрация 📍
| 2 |  Чит-листы: универсальная подборка
Для открытия некоторых ссылок требуется VPN
1️⃣Python: основы и рабочая среда
🟣Python Cheat Sheet for Beginners. Базовый синтаксис языка: переменные, словари, массивы, циклы, функции и генераторы списков.
🟣Conda: быстрый старт, команды для работы из терминала, создание и активация сред.
🟣Jupyter Notebook: краткое руководство, комбинации клавиш, типы ячеек, специальные команды.
2️⃣Python для анализа данных
🟣NumPy. Создание, индексация и преобразование массивов, агрегатные функции, универсальные операции, сортировка.
🟣Обработка данных с Pandas. Полный цикл «чтение — подготовка — анализ — визуализация» данных (DataFrame).
🟣SciPy: большой гайд. Решение задач оптимизации, статистика, быстрое преобразование Фурье, интерполяция и линейная алгебра.
3️⃣Визуализация и дашборды
🟣Matplotlib. Создание фигур и осей, основные виды графиков, подписи, аннотации и экспорт.
🟣Seaborn. Высокоуровневые диаграммы, цветовые палитры, стили оформления и статистические визуализации.
🟣Plotly Express. Интерактивные графики, изменение размера и цвета меток, кастомизация.
🟣Streamlit API. Установка и запуск, текст, таблицы, графика, колонки, вкладки, формы и чат-компоненты.
🟣Tableau. Интерфейс, типы визуализаций, вычисляемые поля, действия, компоновка дашбордов.
🟣Power BI. Начало работы, настройка связей, трансформации в Power Query, выбор визуализаций, вычисляемые столбцы на DAX, работа в режимах «Отчет», «Данные», «Модель».
4️⃣Excel, SQL и системы управления БД
🟣Формулы Excel. Большая шпаргалка, охватывающая всевозможные формулы.
🟣Сводные таблицы Excel. Создание, группировка, вычисляемые поля и элементы, обновление источника данных.
🟣Power Query. Очистка, преобразование и объединение источников, автоматизация процессов.
🟣Основы SQL. Базовый синтаксис для начинающих.
🟣Наш пост со всеми шпаргалками по SQL.
🟣PostgreSQL. MySQL. SQLite. T-SQL.
5️⃣Машинное и глубинное обучение
🟣Scikit-learn. Подготовка данных, обучение модели, оценка качества; классификация, регрессия, кластеризация и подбор параметров.
🟣TensorFlow. Шпаргалка по основному фунционалу, примеры кода.
🟣PyTorch. Тензоры, оптимизаторы, функции активации и базовый цикл обучения.
🟣Руководство по настройке параметров XGBoost.
🟣Выбор ML-алгоритма.
🟣Наш большой пост со всеми шпаргалками по Data Science.
6️⃣Дополнительные шпаргалки
🟣Git: основные команды. Наш бесплатный онлайн-курс по Git.
🟣Регулярные выражения: быстрый старт. | 553 |
| 3 |  Как работают LLM + секреты промпт-инжиниринга
Центр непрерывного образования ФКН приглашает на открытый вебинар каждого, кто знаком с классическим машинным обучением и основами глубинного обучения и желает погрузиться в особенности работы с современными языковыми моделями.
На вебинаре:
🟣узнаем, что такое большая языковая модель (LLM) и как она генерирует текст
🟣поймем, для каких задач сейчас используются LLM и как они обучались
🟣научимся писать «правильные» запросы к моделям, чтобы они выдавали релевантный ответ
По итогам вебинара все участники смогут применять LLM для решения своих задач, а также получат чек-лист по настройке моделей и промптов для максимально адекватной генерации ответов.
🎙 Спикер: Елена Кантонистова, доцент факультета компьютерных наук, академический руководитель программы «Искусственный интеллект», научный руководитель программы «Прикладные нейросетевые технологии».
📁 Когда: 20 июля в 18:00.
Регистрация 📍 | 550 |
| 4 |  «Ты — эксперт по…»: работает ли назначение роли в промпте
Совет начинать запрос со слов «ты — опытный юрист/врач/аналитик» давно кажется необходимым действием при отправке запроса. Логика кажется неоспоримой: назначить модели роль эксперта и получить экспертный ответ, хотя исследования последних лет это не подтверждают.
Что выяснилось:
🟣модели прогнали через тысячи фактических вопросов, перебрав больше сотни ролей. По сравнению с запросом вообще без роли точность не выросла, а местами даже слегка просела;
🟣угадать заранее, какая роль сработает на конкретном вопросе, практически нельзя. Выбор удачной формулировки оказывается практически случайным.
Значит ли это, что прием бесполезен:
🟣Назначение роли влияет не на то, насколько ответ верен, а на то, как он выглядит. Например, роль эксперта может повышать глубину проработки, но снижать ясность и лаконичность. Модель начинает говорить как специалист: обстоятельнее, с профессиональной лексикой и оговорками, но правильных фактов в ответе от этого не прибавляется.
Почему:
🟣Фраза «Ты — эксперт» сдвигает ответ в сторону текстов, которые в обучающих данных выглядели экспертными. Знания при этом не меняются, меняется лишь манера подачи. Роль управляет тем, как модель говорит, а не тем, что она знает.
Что из этого следует:
🟣для фактических и вычислительных задач роль не повышает точность, не стоит полагаться на нее как на способ «усилить» правильность;
🟣для задач, где важны тон, глубина и профессиональная подача, роль работает, но как инструмент управления стилем;
🟣если нужно простое и ясное объяснение понятия, роль скорее мешает, а прямой запрос сработает лучше;
🟣универсально правильной роли нет: эффект формулировки трудно предсказать, поэтому ее стоит подбирать и проверять под задачу. | 712 |
| 5 |  Ежемесячная подборка актуальных IT-вакансий: июль
Позиции стажера:
🟣Аналитик (отдел планирования и целеполагания коммерции), Ozon Офис и Коммерция
🟣Аналитик данных, РТЛабс
🟣Аналитик данных, МТС Банк
🟣Бизнес-аналитик, Astrum Entertainment
🟣Инженер данных, М.Видео-Эльдорадо. ИТ
🟣ML Engineer (Центр квантовых технологий), Сбер
Бизнес-аналитика:
🟣Бизнес-аналитик, RWB (Wildberries & Russ)
🟣Бизнес-аналитик, Альфа-Банк
🟣Бизнес-аналитик, Okkam
🟣Бизнес-аналитик, X5, Управляющая компания
🟣Бизнес-аналитик, «МТС», Аналитика
🟣Бизнес-аналитик, РУСАЛ
🟣Бизнес-аналитик, Ozon fresh
Аналитика данных:
🟣Аналитик данных, Платформа Больших Данных
🟣Аналитик данных, Сбер. IT
🟣Аналитик данных, Ингосстрах
🟣Аналитик данных, ООО HeadHunter::Коммерческий департамент
🟣Аналитик данных, Банк ВТБ (ПАО)
🟣Аналитик данных, Datanomica
🟣Аналитик данных, АО Россельхозбанк
🟣Аналитик данных, CloudPayments
Data Science, ML и DE:
🟣AI-инженер, Дневник.ру
🟣AI Engineer, RWB (Wildberries & Russ)
🟣ML-инженер, Riverstart (ООО Риверстарт)
🟣ML Engineer, TOM TAILOR
🟣Data Scientist, СМ Лаб
🟣Data Scientist, Газпромбанк. IT&Digital.Аналитика
🟣Data Scientist, Т-Банк. ИТ. Аналитика
🟣Data Engineer, Островок.Ostrovok!Tech
🟣Data Engineer, Литрес
🟣Data Engineer, Домклик | 836 |
| 6 |  Генетика в кардиологии: введение в персонализированную медицину
Приглашаем вас принять участие в открытом вебинаре, на котором расскажем о современных представлениях о месте геномных технологий в современной кардиологии, а также опишем ключевые подходы, используемые в клинической практике и находящиеся на этапе разработки.
Кому будет интересно:
🟣студентам и специалистам в области молекулярной биологии, биоинформатики;
🟣врачам терапевических специальностей и врачам-лаборантам.
Вебинар пройдет в рамках подготовки к Летней школе «Кардиогенетика: от секвенирования к разработке кардиопанели» от Центра биомедицинских исследований и технологий ФКН.
🎙Спикер: Дмитрий Затейщиков, заведующий кафедрой терапии, доктор медицинских наук, профессор ФГБУ ДПО «Центральная государственная медицинская академия» Управления делами Президента Российской Федерации.
📁Когда: 6 июля в 17:30.
Регистрация 📍 | 743 |
| 7 |  RAG-архитектура на пальцах: как языковая модель достает информацию из вашей базы знаний
Есть распространенное заблуждение, будто языковая модель «знает» только то, что видела при обучении. На самом деле, она работает с тем, что лежит в ее контекстном окне: с документами, присланными в чат, результатами поиска, выдержками из базы. Но контекстное окно не резиновое, и вы физически не можете загрузить в него всю корпоративную базу знаний.
Тут и появляется RAG (Retrieval-Augmented Generation). Идея простая: не передавать в модель все подряд, а перед каждым ответом находить в базе именно те фрагменты, которые относятся к вопросу, и подкладывать в контекст только их.
1️⃣Сначала базу нужно подготовить
🟣Документы режутся на фрагменты — чанки. Именно здесь чаще всего закладывается будущее качество: если порежете слишком крупно, то в одном фрагменте смешается несколько тем, а поиск будет промахиваться; слишком мелко — фрагмент потеряет смысл.
🟣Каждый чанк прогоняется через модель-эмбеддер и превращается в вектор — длинный набор чисел, кодирующий смысл текста. Важный момент: близкие по смыслу тексты получают близкие векторы, даже если написаны разными словами, и это принципиально отличает подход от обычного поиска по ключевым словам.
🟣Векторы складываются в векторную базу данных — хранилище, заточенное под одну задачу: быстро находить ближайшие векторы среди миллионов.
2️⃣Что происходит, когда пользователь задает вопрос
🟣Вопрос проходит через тот же эмбеддер и тоже становится вектором, а система ищет в базе фрагменты, чьи векторы ближе всего к вектору запроса. Это шаг retrieval.
🟣Часто сюда добавляют еще один шаг — переранжирование. Первичный поиск по векторам быстрый, но недостаточно релевантный, он может выдасть более 20 кандидатов. Их прогоняют через более тяжелую и точную модель, которая пересортировывает результаты и оставляет действительно лучшие.
🟣Отобранные фрагменты вставляются в промпт рядом с исходным вопросом, модель генерирует ответ, опираясь на эти куски, а не на свои общие представления о запросе. Грамотно собранная система еще и возвращает ссылки на исходные документы, чтобы ответ можно было проверить.
3️⃣Почему RAG, а не дообучение
🟣Может возникнуть логичный вопрос: если нужно, чтобы модель работала с нашими данными, почему просто не дообучить ее на них? Ответ простой: для большинства задач RAG практичнее, ведь для того, чтобы обновить знания, надо всего лишь добавить документ в базу. Источник ответа будет виден, и его можно проверить, чего не дает дообученная модель. К тому же модель можно ограничить рамками контекста, снижая риск галлюцинаций.
4️⃣Особенности работы с RAG и точность ответа
🟣Главное, что надо знать и понимать про RAG: система отвечает настолько хорошо, насколько точен поиск. Если retrieval вытащил не те фрагменты, модель сгенерирует уверенный и складный ответ, но неверный. Поэтому большая часть работы над RAG-системами уходит не на модель, а на поиск: подбор размера чанков, выбор эмбеддера, настройку переранжирования и чистоту базы. | 817 |
| 8 |  День открытых дверей онлайн-программ факультета компьютерных наук
В эту субботу, 27 июня, пройдет День открытых дверей для абитуриентов бакалавриата и магистратуры. Вы разберетесь в преимуществах онлайн-образования, определитесь с программой и познакомитесь лично с командой ФКН Онлайн.
На встрече расскажут:
⭐️️️️️️️️ какой набор навыков получают студенты и кем становятся выпускники
⭐️️️️️️️️ как устроено поступление и как получить максимальные баллы за портфолио
⭐️️️️️️️️ как получить образовательный кредит под 3% и другие льготы
Онлайн-программы, о которых пойдет речь:
⚪️ Искусственный интеллект
⚪️ Прикладные нейросетевые технологии
⚪️ Аналитика больших данных
⚪️ Инженерия данных
⚪️ Бэкенд-разработка и архитектура программных систем
⚪️ Искусственный интеллект в маркетинге и управлении продуктом
⚪️ Компьютерные науки и анализ данных, онлайн-бакалавриат
📆 Когда: 27 июня, 14:00
💻 Формат: онлайн + запись и полезные материалы после мероприятия
🐭 Зарегистрироваться | 762 |
| 9 |  Кардиогенетика: персонализированная медицина XXI века
Сегодня искусственный интеллект и машинное обучение проникают в самые сложные области науки, и персонализированная медицина не исключение. Технологии секвенирования позволяют нам читать геном человека, а инструменты анализа данных — искать в нем мутации, связанные с заболеваниями.
Центр непрерывного образования ФКН приглашает на открытый вебинар, на котором мы определим, какую роль в кардиогенетике играют современные технологии.
Поговорим о том:
🟣какие задачи в биоинформатическом анализе могут быть автоматизированы, а где критически важны экспертные знания врача и исследователя;
🟣что такое «цифровой двойник» пациента и как с его помощью можно отработать весь цикл кардиогенетического тестирования — от сырых данных до клинического заключения;
🟣какие навыки действительно необходимы, чтобы начать карьеру на стыке Data Science, биоинформатики и медицины, и почему базовые знания биологии и клинического контекста остаются незаменимыми.
Вебинар пройдет в рамках подготовки к Летней школе «Кардиогенетика: от секвенирования к разработке кардиопанели» от Центра биомедицинских исследований и технологий ФКН.
🎙Спикер: Мария Попцова, директор центра биомедицинских исследований и технологий ФКН НИУ ВШЭ.
📁Когда: 29 июня в 17:30.
Регистрация 📍 | 740 |
| 10 |  +9Что изучают на программе «Специалист по Data Science»?
Скоро стартует очное обучение на программе профессиональной переподготовки «Специалист по Data Science», аккредитованной Альянсом в сфере ИИ. В течение 15 месяцев слушатели будут изучать все направления современной науки о данных.
В сегодняшних карточках подробно рассказываем о том, какие дисциплины включены в программу и какие навыки удастся приобрести.
🟣Python для автоматизации и анализа данных и SQL
🟣Алгоритмы и структуры данных
🟣Математика для анализа данных
🟣Прикладная статистика для машинного обучения
🟣Машинное обучение
🟣Промышленное машинное обучение на Spark
🟣Глубинное обучение
🟣Введение в MLOps
Старт: 30 июня.
Подробнее о программе 📍 | 990 |
| 11 |  Говорим с ИИ на его языке: мастер-класс по техникам промпт-инжиниринга
Многие думают, что использование LLM — простая задача. Однако один и тот же запрос можно сформулировать десятью разными способами, а результаты бывают разными: от точного ответа до получения нерелевантной информации. Вся разница в промпте.
Приглашаем на открытый вебинар от Центра непрерывного образования ФКН всех, кто имеет небольшой опыт во взаимодействии с ИИ и хочет начать развиваться в этом направлении.
На вебинаре мы обсудим и посмотрим на примерах:
🟣почему нейросети так чувствительны к формулировкам;
🟣какие техники промптинга работают;
🟣чем отличаются техники в GigaChat, QWEN, Perplexity и Yandex Cloud;
🟣как писать промпты, чтобы получать аналитический результат.
Все участники получат перечень техник промптинга и список задач для их применения.
🎙Спикер: Маргарита Бурова, эксперт и академический руководитель программы «Аналитик данных» Центра непрерывного образования ФКН, руководитель edtech-программ по data science и аналитике Wildberries.
📁Когда: 24 июня в 17:30.
Регистрация 📍 | 896 |
| 12 |  Успеть подать заявку летом и начать учиться осенью
Напоминаем, что в Центре непрерывного образования ФКН НИУ ВШЭ действует летняя акция: вы можете оставить заявку на программы с осенним стартом до 31 июля и заморозить стоимость — в сентябре цены будут повышены. Акция распространяется на восемь программ:
1️⃣Программа профессиональной переподготовки (очный формат):
🟣Аналитик данных
Годовая программа полного цикла подготовки специалиста: Python, SQL, статистика, A/B-тестирование, ML и продуктовая аналитика. По окончании слушатели получают диплом НИУ ВШЭ о переподготовке.
Подать заявку 📍
2️⃣Курсы повышения квалификации (очный формат):
🟣Математика для анализа данных
Фундаментальный курс по линейной алгебре, матанализу, дискретной математике и теории вероятностей для последующего изучения ML.
Подать заявку 📍
🟣Алгоритмы и структуры данных
Вы научитесь анализировать сложность алгоритмов, выбирать подходящие структуры данных и писать эффективный код, который не тормозит на больших объемах.
Подать заявку 📍
🟣Прикладная статистика для машинного обучения
Теория вероятностей и математическая статистика с реализацией на Python: от описательных статистик до A/B-тестирования, которое лежит в основе принятия решений в продуктовых командах.
Подать заявку 📍
🟣Машинное обучение
Изучение классических ML-алгоритмов (регрессии, классификации, кластеризации) с практикой на реальных задачах: от подготовки данных до оценки качества моделей.
Подать заявку 📍
3️⃣Курсы повышения квалификации (онлайн):
🟣Python для автоматизации и анализа данных
Освоите Python с нуля и научитесь автоматизировать рутину: сбор данных, обработка таблиц, визуализация, работа с API.
Подать заявку 📍
🟣BI-аналитика и визуализация данных
Научитесь строить интерактивные дашборды в Yandex DataLens и Tableau, проектировать визуализацию под бизнес-задачу и доносить выводы до нетехнических пользователей.
Подать заявку 📍
🟣LLM: создание и интеграция интеллектуальных ассистентов
Разберетесь в архитектуре трансформеров, научитесь проектировать RAG-пайплайны и создавать LLM-агентов для встраивания в реальные продукты.
Подать заявку 📍
Как заморозить цену: оставьте заявку на странице выбранной программы до 31 июля. Менеджер подтвердит участие и зафиксирует для вас текущую стоимость обучения. | 791 |
| 13 |  Компьютерное зрение на практике: распознавание кошек и собак
Все слышали, что нейросети умеют распознавать лица, объекты на фото и даже ставить диагнозы по снимкам. Но как это работает на самом деле? Что происходит внутри, когда модель решает, кот на картинке или собака? И главное — как самому обучить такую модель, даже если ты только начинаешь?
Приглашаем на вебинар от Центра непрерывного образования ФКН, на котором пройдем весь путь от теории до кода в Google Colab и поговорим о том:
🟣как нейросети на самом деле «видят» изображения (спойлер: совсем не как люди);
🟣что такое классификация изображений и какие задачи к ней относятся;
🟣как подготовить данные для обучения: от папки с картинками до готового датасета;
🟣как обучить простую модель распознавания котов и собак;
🟣как проверить качество модели и понять, ошибается она или нет;
🟣и самое интересное: как «обмануть» нейросеть и зачем это делать.
По итогу вебинара все участники заберут готовый notebook с полным пайплайном обучения модели и веса обученной модели — можно сразу запустить у себя и поэкспериментировать.
🎙Спикер: Марк Блуменау, академический руководитель программы «Специалист по Data Science» Центра непрерывного образования ФКН и магистратуры «Умные устройства: аппаратная разработка».
📁Когда: 18 июня в 19:00.
Регистрация 📍 | 822 |
| 14 |  ИИ для аналитики: какие задачи уже решают языковые модели, а где и зачем нужен аналитик
Языковые модели уже генерируют SQL-запросы по текстовому описанию, автоматизируют очистку данных, строят простые графики и делают предварительные выводы. В связи с чем у многих новичков возникает ощущение: «а зачем тогда учиться на аналитика, если ИИ все делает сам?». На практике все сложнее — модели ошибаются, пропускают контекст, не чувствуют бизнес-задачи и часто дают ответ, который звучит красиво, но фактически не работает.
Приглашаем вас на вебинар от Центра непрерывного образования ФКН, на котором разберем, что можно делегировать искусственному интеллекту, а где не обойтись без аналитика.
Поговорим о том:
🟣какие задачи по анализу данных языковые модели уже закрывают хорошо, а где пока проваливаются;
🟣как выглядит нормальный рабочий процесс, в котором ИИ служит помощником;
🟣какие сервисы и инструменты использовать новичку;
🟣что такое хороший промпт для аналитической задачи;
🟣какие главные ограничения и подводные камни существуют при работе с ИИ в аналитике.
Все участники вебинара получат чек-лист с сервисами для ИИ-аналитики, примеры промптов и список ключевых ограничений.
🎙Спикер: Маргарита Бурова, эксперт и академический руководитель программы «Аналитик данных» Центра непрерывного образования ФКН, руководитель edtech-программ по data science и аналитике Wildberries.
📁Когда: 17 июня в 17:30.
Регистрация 📍 | 901 |
| 15 |  +1📢 Приглашаем на День карьеры Центра непрерывного образования ФКН НИУ ВШЭ
В программе вечера:
1️⃣Мини-лекции от экспертов:
• «Рабочие ИИ-инструменты для поиска работы» — Анна Шангареева, GYROMIND
• «Как развиваться в инженерии данных и не потерять работу в эпоху ИИ» — Кирилл Сысоев, Сбер
• «Карьерный путь выпускника» — Михаил Арк, Сбер
2️⃣Карьерные зоны компаний-партнеров:
• Яндекс
• Ozon Tech
• ЦНО ФКН
Можно будет пообщаться с представителями компаний, задать вопросы о карьере и найме, получить рекомендации по резюме и узнать больше о карьерных возможностях.
3️⃣Нетворкинг и свободное общение со слушателями, выпускниками, спикерами и представителями компаний.
Будем рады вновь увидеть участников наших прошлых мероприятий, слушателей и выпускников программ ЦНО, а также всех, кто интересуется карьерным развитием в IT, аналитике и data-направлениях.
Регистрация 📍 | 1 412 |
| 16 |  Промпт-инжиниринг: методологии CO-STAR и TIDD-EC
Языковые модели достраивают наиболее вероятные продолжения на основе того, что вы дали на вход, и чем больше в запросе неоднозначности, тем шире пространство возможных ответов и выше шанс получить размытый или нерелевантный результат. Методологии структурирования промптов решают эту проблему и превращают расплывчатое пожелание в спецификацию. Сегодня разберем 2️⃣ наиболее популярных.
1️⃣CO-STAR
Основной концепт — разложение запроса на шесть измерений, каждое из которых закрывает отдельный источник неоднозначности.
🟣Context: фоновые данные, в которых существует задача, позволяющие модели сузить ответ до конкретной ситуации.
🟣Objective: одна четко сформулированная задача.
🟣Style: структура и манера изложения.
🟣Tone: эмоциональная окраска. И в данном случае стиль и тон намеренно разделены: текст может быть строго структурированным по стилю, но при этом дружелюбным по тону.
🟣Audience: на кого ориентирован ответ и какая глубина объяснений требуется.
🟣Response: объем, структура, формат вывода, лимит по длине. Этот компонент экономит больше всего итераций, так как именно несовпадение формата чаще всего заставляет переписывать запрос.
CO-STAR сильнее всего в задачах генерации текста, в которых результат оценивается субъективно и важны попадание в аудиторию и выдержанная стилистика.
2️⃣TIDD-EC
Более строгая методология, ориентированная на задачи, в которых ответ оценивается по объективным критериям: правильно/неправильно, соответствует формату/нет. Пять основных пунктов:
🟣Task type: категория операции: классификация, извлечение сущностей, суммаризация, переписывание.
🟣Instructions: пошаговый алгоритм выполнения. Здесь описывается не что нужно получить, а как к этому прийти.
🟣Do: признаки, которые обязательно должны присутствовать в ответе.
🟣Don't: ограничения и типичные ошибки, которые нужно исключить. Связка Do/Don't задает границы ответа с двух сторон и заметно снижает количество отклонений от ожидаемого результата.
🟣Examples & Content: образцы желаемого вывода плюс конкретные данные для обработки. Примеры работают как few-shot обучение прямо внутри запроса: модель ориентируется на эталон.
TIDD-EC лучше применять в формализованных задачах с жесткими требованиями: парсинг в структурированный формат, разметка, классификация по заданным правилам.
Как выбирать на практике:
🟣Результат оценивается субъективно (тексты, письма, контент, коммуникация): CO-STAR с упором на контекст, аудиторию и стилистику.
🟣Результат проверяется по четким критериям (обработка данных, извлечение, классификация): TIDD-EC с упором на инструкции, ограничения и примеры. | 795 |
| 17 |  Карта галлюцинаций: где ИИ врет чаще всего и как это ловить
Нейросети уверенно пишут код, анализируют данные и строят гипотезы, но даже лучшие модели периодически выдают убедительную ложь — так называемые «галлюцинации». Это прямая угроза, особенно для начинающих специалистов: от неверного вывода в отчете до сбоя в бизнес-логике.
Приглашаем на вебинар от Центра непрерывного образования ФКН, на котором обсудим, как в таком случае отличить правду от вымысла.
Разберем на реальных примерах:
🟣что такое галлюцинации ИИ и почему они возникают;
🟣какие задачи и данные чаще всего провоцируют нейросети на ошибки;
🟣где и как врет каждый из сервисов: GigaChat, QWEN, Perplexity, Yandex Cloud;
🟣как писать промпты так, чтобы снизить риск получения ложного ответа;
🟣пошаговый алгоритм фактчекинга для начинающих.
Все участники вебинара получат карту галлюцинаций с чек-листом, которая поможет быстро проверять ответы нейросетей.
🎙Спикер: Маргарита Бурова, эксперт и академический руководитель программы «Аналитик данных» Центра непрерывного образования ФКН, руководитель edtech-программ по data science и аналитике Wildberries.
📁Когда: 10 июня в 17:30.
Регистрация 📍 | 949 |
| 18 |  Ежемесячная подборка актуальных IT-вакансий: июнь
Позиции стажера:
🟣Аналитик, Axenix
🟣Бизнес-аналитик, Kept, Технологическая практика
🟣Дата-аналитик Smart Rollout, «МТС»
🟣Системный аналитик, Т1 Иннотех
🟣Стажер по исследованию AI-агентов для хранилища данных, Сбер
🟣Data-аналитик, T2. IT и Digital
🟣Python-разработчик, ПАО ВТБ
Бизнес-аналитика:
🟣Бизнес-аналитик, ООО РСХБ-Интех
🟣Бизнес-аналитик, Технопарк Офис
🟣Бизнес-аналитик, ПАО Ростелеком
🟣Бизнес-аналитик, VK
🟣Бизнес-аналитик, Туту
🟣Бизнес-аналитик, Т-Банк
🟣Бизнес-аналитик, Nestle
Аналитика данных:
🟣Аналитик, Ozon fresh
🟣Аналитик данных, Сравни
🟣Аналитик данных, ООО HeadHunter::Analytics/Data Science
🟣Аналитик данных, RWB (Wildberries & Russ)
🟣Аналитик данных, Datanomica
🟣Дата-аналитик, «МТС»
Data Science, ML и DE:
🟣AI-инженер, ООО GlowByte
🟣AI Engineer, Ингосстрах
🟣ML-инженер, OneTwoTrip
🟣ML Engineer, ПАО Ростелеком
🟣Data Scientist, Северсталь. IT & Digital
🟣Data Scientist, Альфа-Банк
🟣Data Scientist, Сбер. IT
🟣Data Engineer, Лента
🟣Data Engineer, Островок.Ostrovok!Tec
🟣Data Engineer, Платформа ОФД | 836 |
| 19 |  Скидка 10% «ранним пташкам»: подать заявку летом — учиться осенью
Центр непрерывного образования ФКН НИУ ВШЭ запускает летнюю акцию: оставьте заявку на программы с осенним стартом до 31 июля и получите скидку 10% на обучение. Акция распространяется на восемь программ:
1️⃣Программа профессиональной переподготовки (очный формат):
🟣Аналитик данных
Годовая программа полного цикла подготовки специалиста: Python, SQL, статистика, A/B-тестирование, ML и продуктовая аналитика. По окончании слушатели получают диплом НИУ ВШЭ о переподготовке.
Подать заявку 📍
2️⃣Курсы повышения квалификации (очный формат):
🟣Математика для анализа данных
Фундаментальный курс по линейной алгебре, матанализу, дискретной математике и теории вероятностей для последующего изучения ML.
Подать заявку 📍
🟣Алгоритмы и структуры данных
Вы научитесь анализировать сложность алгоритмов, выбирать подходящие структуры данных и писать эффективный код, который не тормозит на больших объемах.
Подать заявку 📍
🟣Прикладная статистика для машинного обучения
Теория вероятностей и математическая статистика с реализацией на Python: от описательных статистик до A/B-тестирования, которое лежит в основе принятия решений в продуктовых командах.
Подать заявку 📍
🟣Машинное обучение
Изучение классических ML-алгоритмов (регрессии, классификации, кластеризации) с практикой на реальных задачах: от подготовки данных до оценки качества моделей.
Подать заявку 📍
3️⃣Курсы повышения квалификации (онлайн):
🟣Python для автоматизации и анализа данных
Освоите Python с нуля и научитесь автоматизировать рутину: сбор данных, обработка таблиц, визуализация, работа с API.
Подать заявку 📍
🟣BI-аналитика и визуализация данных
Научитесь строить интерактивные дашборды в Yandex DataLens и Tableau, проектировать визуализацию под бизнес-задачу и доносить выводы до нетехнических пользователей.
Подать заявку 📍
🟣LLM: создание и интеграция интеллектуальных ассистентов
Разберетесь в архитектуре трансформеров, научитесь проектировать RAG-пайплайны и создавать LLM-агентов для встраивания в реальные продукты.
Подать заявку 📍
⚡️ Как получить скидку: оставьте заявку на странице выбранной программы до 31 июля. Менеджер подтвердит участие и зафиксирует скидку 10% на стоимость обучения. | 882 |
| 20 |  Основы компьютерного зрения и анализа изображений
Центр непрерывного образования ФКН совместно с компанией MWS AI запустил бесплатный онлайн-курс «Основы компьютерного зрения и анализа изображений».
В процессе обучения вы:
🟣погрузитесь в теоретические основы компьютерного зрения и познакомитесь с необходимыми практическими инструментами;
🟣освоите базовые операции обработки: свертки, ядра фильтров, выделение границ;
🟣изучите классические методы распознавания;
🟣познакомитесь с архитектурой сверточных нейросетей: от перцептрона и полносвязных слоев до CNN;
🟣на практике обучите модель классификации изображений;
🟣получите обзор продвинутых направлений: детекция объектов, семантическая и instance-сегментация, генеративные модели, стереозрение, трекинг и видеоаналитика.
По итогам курса вы сможете подготовить проект для портфолио — приложение для анализа поведения объектов перед камерой. Курс подойдет специалистам смежных дисциплин и студентам старших курсов. Для комфортного освоения материала необходимо знание Python, основ машинного и глубинного обучения, а также линейной алгебры.
🎙Автор курса — Иван Копылов, ведущий разработчик центра компьютерного зрения департамента машинного обучения и фундаментальных исследований MWS AI, старший преподаватель факультета компьютерных наук НИУ ВШЭ.
📁Формат: онлайн по записям, лонгриды, презентации и задания с автопроверкой.
Присоединиться к курсу 📍 | 901 |
