Семинар наставника "Финансовые технологии и анализ данных"

Магистратура 2026/2027

Статус: Курс обязательный (Финансовые технологии и анализ данных)

Кто читает: Базовая кафедра Сбер

Где читается: Факультет компьютерных наук

Когда читается: 1-й курс, 1-4 модуль

Охват аудитории: для своего кампуса

Язык: русский

Кредиты: 6

Контактные часы: 80

Дополнительные материалы в LMS Задать вопрос

Аннотация

Дисциплина преподается с целью ознакомления слушателей с подходами к решению бизнес-задач в крупных финансовых организациях с применением методов математического моделирования и анализа данных, приобретения навыков постановки прикладных исследовательских задач, проектирования систем машинного обучения, оценки модельных рисков, управления командой ML-специалистов и презентации реализованных решений перед заказчиками. Основной задачей семинара авторы видят не только изучение различных алгоритмов машинного обучения и подходов к максимизации метрики качества, но и развитие способности критически подходить к выбору этих алгоритмов и метрик для конкретных бизнес задач, а также умения видеть ограничения популярных моделей. По итогу слушатели научатся выбирать подходящий алгоритм, выявляющий причинно-следственные связи между явлениями (если это необходимо), организовывать команду для решения конкретной задачи и презентовать результаты своей работы.

Цель освоения дисциплины

Цель освоения дисциплины - анализ научных и практических тенденций в области финансовых технологий
Формирование у студентов комплекса теоретических знаний и методологических основ в области технологий обработки, хранения, преобразования и визуализации данных. В ходе курса рассматриваются все этапы обработки данных: появление данных в OLTP-системах, их транспорт в OLAP-хранилище, сохранение в сырой слой, нормализация в детальный слой, построение аналитических витрин и отчетов, автоматизация процессов, мониторинг здоровья кластера и системы в целом
Формирование знаний, умений и навыков проектирования систем машинного обучения, выбора оптимального алгоритма решения поставленной бизнес-задачи и метода оценки его с учётом имеющихся ограничений. Формирование навыков управления командой специалистов с использованием гибких методологий разработки.

Планируемые результаты обучения

Владение общими навыки проектирования структуры хранилищ данных
Владение навыками работы с реляционными БД, MPP, DFS-хранилищами
Умение строить ETL-процессы, осуществлять потоковую и батчевую обработку данных
Умение строить end-to-end архитектуру хранилища данных, администрировать и поддерживать стабильную работу различных программных комплексов
Умение строить BI-системы и системы операционного мониторинга
Формирует задания для исследования новых рынков, следит за ходом исследований и принимает их результаты
Проводит поиск и анализ наиболее актуальных академических и прикладных исследований в области финансовых технологий
Владеть навыками проектирования ML-систем
Уметь оценивать качество работы ML-моделей, оценивать и митигировать их риски
Уметь оценивать причинно-следственные связи при помощи машинного обучения
Владеть методологиями организации ML-команд и фреймворками решения задач и принятия решений
Быть способными презентовать результаты своей работы заказчику ML-решения в понятном для него виде
Понимание основных областей применения Data Science

Содержание учебной дисциплины

Воплощение Стратегии
Управление сложным ИТ-продуктом
Почему “точность модели” не всегда равна пользе для бизнеса
Оценка неопределённости и другие способы оценки качества моделей
Управление созданием ML-моделей с точки зрения продукта
System ML Design
Менеджмент ML-команд
Модельный риск
Портфельное риск-моделирование
Ограничения и особенности ML-моделей на примере рекомендательных систем
Разбор практических кейсов в области финансовых технологий
Ключевые направления исследований в области финансовых технологий
Data Science в приложениях
Введение в Data Engineering. Устройство современного дата-пайплайна.
Файловые хранилища. S3-like хранилища. Hadoop-экосистема.
Устройство и основы работы с Apache Spark.
Data Warehousing. Современные архитектуры организации хранилищ данных: Data Vault, Anchor Model, hNhM.
Очереди и работа с потоками данных: Apache Kafka, Spark Streaming
MPP СУБД: Greenplum, Vertica, Clickhouse. Особенности устройства и организации вычислений
Планы запросов. Учимся читать планы запросов на реляционных СУБД и MPP
ETL / ELT. Правила проектирования ETL-процессов
Использование данных. BI-системы
Новые вызовы в DE

Элементы контроля

Домашнее задание 1
Домашнее задание 2
Домашнее задание 3
Домашнее задание 4
Посещаемость
Зимний опрос
Летний опрос
Тест 2
Тест 1

Промежуточная аттестация

2026/2027 4th module
0.25 * Тест 1 + 0.25 * Тест 2 + 0.1 * Зимний опрос + 0.25 * Посещаемость + 0.15 * Летний опрос
2027/2028 3rd module
0.25 * Домашнее задание 4 + 0.25 * Домашнее задание 2 + 0.25 * Домашнее задание 1 + 0.25 * Домашнее задание 3

Список литературы

Авторы

Минец Максим Вячеславович

Программа дисциплины