Учебный план: что и когда изучают
4 года обучения · 240 зач. единиц · ≈ 8 640 академических часов
Бакалавриат по направлению 02.03.03 в ДГТУ с профилем «Большие данные и машинное обучение»: программа строит сильную математическую базу и последовательно ведёт студента от программирования и баз данных к машинному обучению, нейронным сетям и работе с большими данными.
1–2 курс — математический фундамент и основы программирования
- Математический анализ — язык непрерывных моделей: производные и интегралы лежат в основе оптимизации и обучения моделей
- Линейная алгебра и приложения — данные и веса моделей хранятся как матрицы и векторы — основа машинного обучения
- Дискретная математика — формальный аппарат для алгоритмов, графов и структур данных
- Теория вероятностей и математическая статистика — позволяет оценивать неопределённость и обосновывать решения моделей на данных
- Информационные технологии и программирование — базовое умение писать код, без которого недоступны все прикладные дисциплины
- Структуры и алгоритмы обработки данных — эффективная организация данных и алгоритмов — фундамент производительных программ
2–3 курс — программная инженерия и работа с данными
- Программирование на языке Java — промышленный язык для серверных и распределённых систем обработки данных
- Реляционные базы данных — хранение и выборка структурированных данных через SQL — повседневная задача специалиста
- Архитектура систем хранения и обработки данных — понимание того, как данные физически организованы и обрабатываются в больших системах
- Процессы и инструменты управления данными — учит выстраивать жизненный цикл данных от сбора до подготовки к анализу
- Разработка пользовательского интерфейса — доведение аналитических решений до удобного для пользователя вида
- Администрирование операционных систем и сетей — понимание среды, в которой разворачиваются и работают системы обработки данных
3 курс — ядро машинного обучения и больших данных
- Машинное обучение — ключевая дисциплина профиля: построение моделей, обучающихся на данных
- Нейронные сети и глубокое обучение — современные методы для работы с изображениями, текстом и сложными зависимостями
- Технология хранения и архитектура больших данных — специальные хранилища и форматы для объёмов, не помещающихся в обычные базы
- Инструменты анализа данных — практическое освоение средств исследования и визуализации данных
- Параллельная обработка и анализ данных — распределение вычислений для обработки больших объёмов в приемлемое время
- Методология разработки решений на основе искусственного интеллекта — учит выстраивать проект от постановки задачи до внедрения модели
4 курс — продвинутые системы ИИ и распределённые вычисления
- Технологии высокопроизводительной обработки больших данных — масштабирование обработки на промышленные объёмы данных
- Искусственный интеллект в обработке изображений — применение моделей к компьютерному зрению — востребованная прикладная область
- Распределенные и облачные системы — развёртывание решений в облаке и на кластерах — стандарт современной индустрии
- Интеллектуальные системы поддержки принятия решений — доведение аналитики до инструмента, помогающего человеку принимать решения
- Имитационное и агентное моделирование — моделирование сложных систем и поведения, когда прямых данных недостаточно
- Разработка Web-приложений — упаковка моделей и аналитики в доступный через сеть продукт
Часы и практика
Практика — 21 зач. единиц (756 ч). Учебная (технологическая) практика на 2 курсе, производственная и научно-исследовательская работа на 3 курсе, преддипломная практика на 4 курсе
Логика и нестыковки
- ✅✅ Грамотная последовательность: вся математическая база (анализ, линейная алгебра, теория вероятностей) и программирование закрываются на 1–2 курсе, а профильные «Машинное обучение» и «Нейронные сети» идут на 3 курсе (5–6 семестры) уже на готовом фундаменте.
- ✅✅ Сильная линия именно по профилю больших данных: «Технология хранения больших данных», «Параллельная обработка данных», «Технологии высокопроизводительной обработки больших данных» и «Распределённые и облачные системы» — не разовый спецкурс, а сквозная цепочка с 3 по 4 курс.
- ℹ️ℹ️ Практика — 21 з.е. (756 часов), причём производственная, научно-исследовательская работа и преддипломная практика сосредоточены на 3–4 курсе, когда уже есть профильные знания для осмысленной работы.
- ⚠️⚠️ Первое серьёзное знакомство с производственной практикой приходится только на 6-й семестр; учебная практика на 2 курсе занимает 9 з.е., но полноценный выход «в поле» происходит во второй половине обучения.
История баллов пока не добавлена
Проходные баллы за прошлые годы появятся позже. Проверьте официальный сайт вуза.
Олимпиадные льготыданные 2026 г.
2 олимпиад| Олимпиада | Ур. | Льгота |
|---|---|---|
| Всероссийская олимпиада школьников | Заключительный этап | — |
| Физтех | 1 | — |
Та же специальность в других вузах
02.03.03 · Математическое обеспечение и администрирование информационных систем
Разработка и администрирование информационных систем · Самарский национальный исследовательский университет им. академика С.П. КоролёваразборАдминистрирование информационных систем · Южно-Российский государственный политехнический университет (НПИ) имени М.И. ПлатоваразборИнтеллектуальные информационные системы и анализ данных · Чувашский государственный университет им. И.Н. УльяноваразборМатематическое обеспечение и администрирование информационных систем · Омский государственный технический университетразборТехнологии программирования · Санкт-Петербургский государственный университетМатематическое обеспечение и администрирование информационных систем · Санкт-Петербургский политехнический университет Петра Великого
Все учебные планы «Математическое обеспечение и администрирование информационных систем» →