Этот веб-сайт использует файлы cookie, чтобы предоставить вам лучший пользовательский опыт. Вы можете ознакомиться с Политикой использования файлов Cookie и Политикой ПАО «НЛМК» в области обработки и защиты персональных данных, в которых объясняется, как мы обрабатываем ваши личные данные. Продолжая работать на нашем сайте, вы подтверждаете свое согласие на использование всех файлов cookie. Обратите внимание, что вы можете отозвать свое согласие в любое время.
OK
Профессии будущего — Data Scientist и AI Engineer
Профессии будущего — Data Scientist и AI Engineer
Профессии будущего — Data Scientist и AI Engineer
Профессии будущего — Data Scientist и AI Engineer
Профессии будущего — Data Scientist и AI Engineer
Профессии будущего — Data Scientist и AI Engineer
•
•
•
•
•
•
Технологии машинного обучения позволяют непрерывно улучшать производственные процессы, добиваться их полной автономности и находить новые закономерности. Четвертая индустриальная революция и переход к умному производству открывают двери новым профессиям —
О программе
Data Scientist
AI Engineer.
и
Data Science: Современная теория машинного обучения
От моделей машинного обучения, которые применяются в производстве, требуется согласованность с физическими принципами, а также теоретические оценки неопределенности прогноза модели и обобщающей способности. Вы узнаете современную теорию машинного обучения, которая позволяет добиваться от моделей нужных свойств.
Что вы изучите
Что вы изучите
- Согласованность моделей с физическими принципами производственных процессов.
- Теоретические оценки неопределенности прогнозов моделей (Uncertainty Quantification).
- Обобщающие способности модели при работе с новыми данными (Generalization Bounds, Statistical Learning Theory)
AI Engineering: Разработка конвейеров машинного обучения
Вы пройдете полный путь разработки системы машинного обучения, узнаете, из каких компонентов состоит конвейер машинного обучения, научитесь пользоваться XOps инструментами, разберетесь с архитектурой таких систем как Spark, Dagster, BentoML, JuputerHub и освоите принципы построения платформ на их основе.
Что вы изучите
Что вы изучите
- Принципы построения DSML платформ
- XOps инструменты: DataOps, MLOps, ModelOps, AIOps and Platform Ops for AI
- Принципы разработки конвейеров машинного обучения
Бакалавров
Кого мы ждем
ведущих
технических вузов с хорошим техническим
практические навыки и опыт разработки
сложных систем машинного обучения для промышленности.
бэкграундом, которые хотят получить
Бакалавров ведущих технических вузов с хорошим техническим бэкграундом, которые хотят получить практические навыки и опыт разработки сложных систем машинного обучения для промышленности.
Работа в кросс-функциональных командах, взаимодействие с
Преимущества программы
Возможность трудоустройства с конкурентной зарплатой
Зрелые процессы разработки, ⚙️ современный стек технологий.
Возможность разрабатывать ⚡ собственные
экспертами
отрасли.
Open Source
библиотеки и контрибьютить
в популярные
ML библиотеки.
металлургической
с первых дней обучения.
Преподаватели
Александр Мотузов
Head of Data Science НЛМК
Отвечает за развитие центра экспертизы по анализу данных и моделированию, руководит разработкой платформы анализа данных и моделирования (DSML платформа), курирует методологию разработки и поддержки моделей машинного обучения. До прихода в НЛМК возглавлял практику по анализу данных в КПМГ- Россия, с 2008 года работал в Яндексе, где применял методы машинного обучения к задачам поиска.
Шамиль Ульбашев
Руководитель направления методологии разработки математических моделей НЛМК
Отвечает за развитие дата-сайентистов и инженеров, которым нужны навыки в области анализа данных и машинного обучения, определяет общие правила разработки систем ML, которые гарантируют их надежность. До прихода в компанию занимался R&D в энергетике. Имеет опыт анализа данных в металлургии с 2015 года. Окончил Московский физико-технический институт.
Лилия Агеева
Главный специалист по анализу данных сталеплавильного производства НЛМК
Отвечает за анализ данных, занимается проверкой гипотез, разрабатывает и поддерживает системы машинного обучения в продуктах сталеплавильного производства. Еarly adopter DSML платформы. Ранее работала продуктовым аналитиком. Область профессиональных интересов — решение оптимизационных задач. Окончила Сколковский институт науки и технологий.
Антон Зизин
Руководитель направления по разработке систем математического моделирования НЛМК
Отвечает за архитектуру ML-систем. Работу в НЛМК начал как Data Scientist в 2018 году. До этого занимался химической кинетикой в горении и разработкой камер сгорания газовых турбин, работал в Германии. Окончил Московский физико-технический институт, защитил кандидатскую диссертацию.
Смотреть всех
План обучения
Возможность практики
площадках Группы НЛМК.
площадках Группы НЛМК.
Преимущества обучения
Персональный наставник
Современный офис
Возможность
на производственных
для каждого студента.
в центре Москвы.
удаленной работы.
для каждого
студента.
Возможность практики
на производственных площадках Группы НЛМК.
Блок 1. ML Engineering
- Командные принципы работы и инструменты разработки: Docker for Data Science, Git, VS Code + Jupyter.
- Архитектура ML Systems. Типовая архитектура и принципы построения: End-To-End ML Pipeline, Model Serving, Retrain Data Pipeline.
- Методология разработки End-To-End ML Pipeline: на примере TFX, MLflow, MetaFlow.
- Big Data for Data Science: Kafka, HDFS, S3, Click House, Spark, Hive.
- Разработка на основе Open Source.
Блок 2. ML Математика
- Математика для Data Science: статистические тесты, байесовская и частотная интерпретации вероятности, субъективная и объективная неопределенности
- Теория оптимизации. Основы статистической теории обучения (Statistical Learning Theory)
- Machine Learning
- Deep Learning
- Металлургические процессы
Подать заявку
на 2021/22 учебный год
на 2021/22 учебный год
Этапы отбора
Требования к заявителю
Онлайн-тестирование по спортивному программированию и математике
01
Собеседование по результатам задания — экзамен в магистратуру МФТИ
02
Высшее образование (диплом бакалавриата или специалитета)
01
Гражданство РФ
02
Подать заявку
Согласие на обработку персональных данных
Я (Заявитель), действуя своей волей и в своем интересе, даю согласие организации ПАО «НЛМК», (далее Оператор), наименование Оператора: Публичное акционерное общество «Новолипецкий металлургический комбинат», адрес Оператора: Россия, 398 040, г. Липецк, пл. Металлургов, 2 на обработку моих персональных данных в целях осуществления:
- обработки запросов и заявок, поступающих от Заявителя;
- связи с Заявителем, в том числе направление уведомлений, включая возможные рассылки информационного и рекламного характера с использованием следующих средств связи: рассылка по электронной почте, смс-рассылка, Telegram-рассылка;
- осуществления других видов деятельности в рамках законодательства РФ, с обязательным выполнением требований законодательства РФ в области персональных данных.
Предоставляемое мною согласие на обработку персональных данных распространяется на все способы обработки, включая сбор, систематизацию, накопление, хранение, уточнение (обновление, изменение), использование, передачу (предоставление, доступ), обезличивание, блокирование, уничтожение, как с использованием, так и без использования средств автоматизации.
Настоящее согласие действует с момента предоставления мною персональных данных и действует до момента отзыва мной согласия в установленном порядке.
Я ознакомлен с тем, что отзыв данного согласия может быть осуществлен в любой момент посредством направления в адрес Оператора подписанного мною или моим законным представителем письменного заявления по почте заказным письмом с уведомлением о вручении или вручением лично под расписку представителю кадровой службы Оператора.
Я предупрежден, что могу в любое удобное время ознакомиться с Политикой в отношении обработки персональных данных Оператора на официальном сайте Оператора: https://nlmk.com/upload/iblock/bdd/Personal-Data-Processing-and-Protection-Policy_RUS.pdf
Кураторы и наставники программы
Лилия Агеева
Главный специалист по анализу данных сталеплавильного производства в НЛМК
Отвечает за анализ данных, занимается проверкой гипотез, разрабатывает и поддерживает системы машинного обучения в продуктах сталеплавильного производства. Еarly adopter DSML платформы. Ранее работала продуктовым аналитиком. Область профессиональных интересов — решение оптимизационных задач. Окончила Сколковский институт науки и технологий.
Антон Зизин
Руководитель направления по разработке систем математического моделирования в НЛМК
Отвечает за архитектуру ML-систем. Работу в НЛМК начал как Data Scientist в 2018 году. До этого занимался химической кинетикой в горении и разработкой камер сгорания газовых турбин, работал в Германии. Окончил Московский физико-технический институт, защитил кандидатскую диссертацию.
Александр Мотузов
Head of Data Science в НЛМК
Отвечает за развитие центра экспертизы по анализу данных и моделированию, руководит разработкой платформы анализа данных и моделирования (DSML платформа), курирует методологию разработки и поддержки моделей машинного обучения. До прихода в НЛМК возглавлял практику по анализу данных в КПМГ- Россия, с 2008 года работал в Яндексе, где применял методы машинного обучения к задачам поиска.
Шамиль Ульбашев
Руководитель направления методологии разработки математических моделей НЛМК
Отвечает за развитие дата-сайентистов и инженеров, которым нужны навыки в области анализа данных и машинного обучения, определяет общие правила разработки систем ML, которые гарантируют их надежность. До прихода в компанию занимался R&D в энергетике. Имеет опыт анализа данных в металлургии с 2015 года. Окончил Московский физико-технический институт.
Группа НЛМК — вертикально-интегрированная металлургическая компания, крупнейший в России и один из самых эффективных в мире
стальной продукции. Производственные активы НЛМК расположены в России, Европе и США.
стальной продукции. Производственные активы НЛМК расположены в России, Европе и США.
О Группе НЛМК
производителей
52 000
сотрудников в России и за рубежом
№1 в России
по выпуску стали
20
производственных площадок в 7 странах
Группа НЛМК — вертикально-интегрированная металлургическая компания, крупнейший в России и один
из самых эффективных в мире производителей стальной продукции. Производственные активы НЛМК расположены
в России, Европе и США.
из самых эффективных в мире производителей стальной продукции. Производственные активы НЛМК расположены
в России, Европе и США.
В производственный процесс НЛМК активно внедряются цифровые советчики, инструменты предиктивной аналитики с использованием искусственного интеллекта и машинного обучения. Чтобы повысить эффективность дата-сайентистов при создании систем машинного обучения на основе Big Data, в НЛМК используют собственную разработку —
Цифровая трансформация в НЛМК
DSML-платформу (Data Science And Machine Learning Platform).
Наши дата-сайентисты — настоящие инженеры, которые понимают, как работают сложные системы: от физики процесса до software.
В команде Цифровой трансформации и ИТ работают более 1200 человек.
Data Science And Machine Learning Platform
для построения математических алгоритмов, способных обучаться и решать задачи через поиск закономерностей в разнообразных входных данных. Иными словами, такая платформа — это удобная среда итеративной разработки в облаке, которой могут одновременно пользоваться много дата-сайентистов.
для построения математических алгоритмов, способных обучаться и решать задачи через поиск закономерностей в разнообразных входных данных. Иными словами, такая платформа — это удобная среда итеративной разработки в облаке, которой могут одновременно пользоваться много дата-сайентистов.
Платформа позволяет специалистам сохранять и версионировать данные, код моделирования и среду выполнения, а значит делиться результатами экспериментов друг с другом. С помощью этого инструмента любой специалист может узнать, как была протестирована гипотеза и создана модель, воспроизвести эксперимент или провести собственный и сравнить результаты.
Команда дата-сайентистов НЛМК взаимодействует с Open Source сообществом, не только используя находящиеся в открытом доступе решения, но и пополняя библиотеки собственными разработками и дополнительной функциональностью.
— экосистема
— экосистема
Data Science And Machine Learning Platform
математических алгоритмов, способных обучаться и решать задачи через поиск закономерностей в разнообразных входных данных. Иными словами, такая платформа — это удобная среда итеративной разработки в облаке, которой могут одновременно пользоваться много дата-сайентистов.
математических алгоритмов, способных обучаться и решать задачи через поиск закономерностей в разнообразных входных данных. Иными словами, такая платформа — это удобная среда итеративной разработки в облаке, которой могут одновременно пользоваться много дата-сайентистов.
Платформа позволяет специалистам сохранять и версионировать данные, код моделирования и среду выполнения, а значит делиться результатами экспериментов друг с другом. С помощью этого инструмента любой специалист может узнать, как была протестирована гипотеза и создана модель, воспроизвести эксперимент или провести собственный и сравнить результаты.
Команда дата-сайентистов НЛМК взаимодействует с Open Source сообществом, не только используя находящиеся в открытом доступе решения, но и пополняя библиотеки собственными разработками и дополнительной функциональностью.
Data Science And Machine Learning Platform
— экосистема для построения математических алгоритмов, способных обучаться и решать задачи через поиск закономерностей в разнообразных входных данных. Иными словами, такая платформа — это удобная среда итеративной разработки в облаке, которой могут одновременно пользоваться много дата-сайентистов.
— экосистема для построения математических алгоритмов, способных обучаться и решать задачи через поиск закономерностей в разнообразных входных данных. Иными словами, такая платформа — это удобная среда итеративной разработки в облаке, которой могут одновременно пользоваться много дата-сайентистов.
