«без шуток, впервые за время обучения на физ техе могу сказать, что нормально поняла и выучила предметы благодаря формату обучения и подаче материала!!»
Вероника Прохорова
студентка DS-потока, 4 курс
для студентов · МФТИ
DS-поток — чтобы думать, а не угадывать
Большинство программ по Data Science либо чисто теоретические, либо прикладные под тренды. DS-поток — это связка теории с практикой: здесь изучаются разные подходы, решаются задачи на каждую тему и формируется фундамент, который не ломается со временем.
Нагрузка высокая — да. Зато на выходе появляется навык широко мыслить и находить нестандартные решения.
Для кого и какие знания нужны
Про требования на входе и кому будет комфортно учиться на DS-потоке.
для кого
- Студенты МФТИ от 3 курса, которым интересен анализ данных, машинное, глубокое обучение и работа с реальными задачами.
- Те, кто хочет системные качественные курсы с подробными материалами и последовательным изложением.
- Те, кто хочет не просто «освоить инструменты», а понять, как и почему работают методы.
- Те, кому важно учиться мыслить и находить нестандартные решения.
- Те, кто готов к высокой учебной нагрузке и системной работе в течение семестра.
- Студенты, планирующие дальнейшее развитие в DS, ML, аналитике или смежных направлениях.
какие знания предполагаются
- Базовая математика на уровне 1–2 курсов ФПМИ.
- Теория вероятностей и понимание базовых статистических понятий.
- Уверенное владение Python на уровне написания функций, работы с библиотеками и простого анализа данных.
- Пройденный курс «Введение в анализ данных» или «Phystech@DataScience».
Как поступить
Базовое условие: учиться в бакалавриате МФТИ.
ФПМИ
1
Сдать «Введение в анализ данных» на «отлично».
2
По итогам курса заполнить заявку на DS-поток.
3
Ждать результаты отбора.
4
Подписать перевод на учебную программу.
другие физтех-школы
1
Сдать «Введение в анализ данных» или «Phystech@DataScience» на «отлично».
2
По итогам курса заполнить заявку на DS-поток.
3
Пройти собеседование.
4
Ждать результаты отбора.
После очередного семестра можно отказаться от дальнейшего прохождения программы.
Почему DS-поток?
Прочный фундамент теории и практики плюс современные темы, которые реально нужны сейчас.
главный тезис
DS-поток — это про системность: мы опираемся на сильный физтеховский фундамент, не боимся сложной математики и выстраиваем не узкий мостик между теорией и практикой, а целостную картину: от доказательств и ограничений метода до его устойчивого применения на реальных данных.
- по полной используем физтеховскую теоретическую базу: формулировки, предположения, доказательства и аккуратные выводы
- темы подбираются не «потому что так принято», а потому что они полезны в современной практике и/или науке
- программа регулярно обновляется: мы пересматриваем материал, когда меняется реальный ландшафт Data Science
- у каждой темы есть практическое задание, поэтому студенты не просто слушают материал, а обязательно пробуют его руками
Глубокая теория
Фундамент, который не устаревает: статистика, модели, постановка задач и математическая оптика на методы.
Современные темы
От A/B и CI до ADL, генеративных моделей и распределённого обучения — без застревания в старом учебном каноне.
Практика по каждой теме
Мы не рассказываем темы «просто так»: по каждой теме есть домашние задания, разбор ошибок и доработка решений.
Чем DS-поток отличается
Про посыл: не модно, не круто — а фундамент + практика + широта.
формула
- В меру глубокая теория, всегда в связке с практикой
- Разные подходы в анализе данных — от базовых до современных
- Широкий круг задач и практические задания на каждую тему
- Высокие нагрузки, которые конвертируются в результат
по чему это важно
Обычно программы делятся на две крайности: фаршированный гусь теории или прикладное под сейчас. DS-поток — это третья опция.
Согласованные линейки статистики, ML и DL — чтобы оно складывалось в систему.
ML или аналитика?
И то, и другое — и главное: как их совмещать в одном решении.
Не только "DL"Для узкой специализации есть курсы. Здесь — фундамент и широта.
Сильный специалистразвит во всех скилах, но с доминирующими — DS-поток помогает это выстроить.
Пересечение областейстроить сложную ML-модель и прикручивать продвинутую аналитику.
План обучения
↗ Сопоставление4 семестра — от базы к продвинутым темам. Ниже — укрупнённо, по фактам.
5 семестрфундамент
В 5 семестр е закладывается база: сильная статистика и системное машинное обучение с выходом в CV и NLP.
статистика
- оценки параметров и доверительные интервалы, непараметрическое оценивание
- комплексный подход к обучению проверке статистических гипотез
- статистические свойства линейных моделей — теоретическое ядро методов A/B-тестирования
- теория наилучших оценок и доказательство важных для практики теорем
машинное обучение
- теория регуляризации, валидация моделей
- случайный лес и градиентный бустинг, разбор продвинутых пакетов
- теория и оптимизация нейросетей, обучение PyTorch
- Computer Vision: классификация изображений, задачи сегментации и детекции
- основы NLP, эмбеддинги, рекуррентные сети, языковые модели
6 семестрпродвинутые треки
В 6 семестре появляются целостные продвинутые блоки по современным направлениям Data Science и аналитики.
ADL
трансформеры в NLP и CV; техники обучения больших языковых моделей; визуально-языковые модели; Retrieval Augmented Generation; распределённое обучение; профилирование и оптимизация нейросетей; графовые нейросети
AB
современное A/B-тестирование, обучение критериев, понижение дисперсии, ratio-метрики, многовыборочные тесты. Aboba
CI
графовые модели, теория и практика propensity score, модели при жёстких ограничениях, uplift-моделирование
TS
временные ряды: классические и современные нейросетевые подходы, случайные процессы, последовательный анализ
BS
байесовский подход к статистике, теория и практика методов MCMC, байесовские A/B-тесты, байесовская оптимизация
7–8 семестрadvanced
В 7–8 семестрах добавляются продвинутые вероятностные и генеративные модели, RL, ranking и retrieval, а также собственные проекты и исследовательская практика.
вариационные байесовские модели
EM-алгоритм, вариационный вывод и его приложения, теория и практика Pyro, байесовские нейросети
генеративные модели
VAE, GAN, диффузионные модели, теория диффузионных моделей
продвинутые направления
- обучение с подкреплением: MDP и его свойства, value-based и policy-based методы; семейство методов TRPO и их применение к LLM
- методы Learning-to-Rank; классические и нейросетевые подходы к RecSys
- метрическое обучение: контентный retrieval, распознавание лиц
- распознавание речи
практика и проекты
- практика изучения научных тем и воспроизведения статей
- собственные практические проекты с менторством и решение kaggle-соревнований
- написание научпоп-текстов по итогам своей работы: примеры
Цифры, чтобы понимать масштаб
за 4 семестра
120+
домашних заданий за всю траекторию — чтобы реально научиться решать
Это не «послушал лекции» — это постоянная практика + разбор ошибок.
100+
вопросов в боте за семестр
закрепляем темы до автоматизма
50
научных статей
разобраны студентами за время обучения
15
командных проектов
на реальных (или почти реальных) задачах
TOP-компании
где работают наши выпускники
Яндекс · T-Банк · Сбер · X5 · Авито
стало страшно от чисел?
Эти цифры про нагрузку и темп — входной уровень здесь не является решающим. При готовности учиться и работать результат обязательно придет!
Выпускники и студенты — про DS-поток
отзывы
«На DS-потоке многие темы я именно понял, а не просто выучил формулировки. Науки о данных ты начинаешь "чувствовать", поэтому их становится легче применять на практике.»
Максим Иванов
студент DS-потока, 4 курс
«Самое ценное на DS-потоке – регулярные практические задания, постоянный индивидуальный фидбек, возможность исправлять свои ошибки»
Лидия Троешестова
выпускница DS-потока, студентка магистратуры ШАД + МФТИ
FAQ
Самые частые воп росы — коротко.
Возьмут ли меня на DS-поток и смогу ли учиться?+
Можно ли работать параллельно?+
Если нужен только один узкий трек (например, CV)?+
DS-поток vs ШАД / кафедра анализа данных — что выбрать?+
Симуляторы, ИИ и DS-поток — чем это отличается?+
Как на DS-потоке относятся к ИИ?+