Личный кабинетЛичный кабинет
02.04.01 «МАТЕМАТИКА И КОМПЬЮТЕРНЫЕ НАУКИ»

Машинное обучение

Научись создавать решения в области искусственного интеллекта
Подать заявкуПодать заявкуЗадать вопросЗадать вопрос
СТАРТ ОБУЧЕНИЯ — 01.09.2026
2 года обучения
Очная форма
Диплом гособразца
Удобное расписание
Гранты до 75%
Кампус в центре Москвы
индустриальный трекиндустриальный трек
Хочу начать карьеру в машинном обучении
Ищу понятную программу, которая даст сильный фундаментв машинном
обучении, научит современным инструментам и технологиям и поможет решать реальные задачи бизнеса
научный трекнаучный трек
Хочу развиваться
в науке и R&D
Хочу научиться проводить исследования, ставить экспериментыи работать
со сложными ML-моделями,
чтобы подготовиться к аспирантуре
и работе в передовых лабораториях

Для кого эта
программа

01
Студенты старших курсов и выпускники
Ты учишься на 4‑м курсе или недавно окончил(а) бакалавриат и хочешь начать карьеру в машинном обучении.
Программа помогает выстроить фундамент
в математике, программировании и машинном обучении и получить первый практический опыт в реальных задачах
02
Специалисты из смежных областей
Ты уже работаешь инженером, аналитиком разработчиком или имеешь сильную техническую базу и хочешь перейти в машинное обучение.
Программа позволяет углубить знания в статистике и машинном обучении, а также научиться работать с вычислительной инфраструктурой, чтобы уверенно сменить карьерный трек
03
Специалисты в области машинного обучения
Ты уже занимаешься машинным обучением и хочешь углубить фундаментальные знания и освоить смежные направления — от production ML до аналитики данных.
Программа помогает структурировать знания, усилить теоретическую базу и расширить инструментарий для решения практических задач
hat
Ожидания от уровня подготовки
У тебя есть или скоро будет диплом бакалавра
Знаешь математику
Свободно владеешь Python и ключевыми библиотеками
Хочешь усердно работать и учиться не ради корочки

Преимущества программы

Соберешь сильное портфолио проектов по машинному обучению с реальными
задачами компаний и прокачаешь фундамент, чтобы уверенно выходить на рынок
как специалист по машинному обучению
01
Освоишь программу, созданную совместно с рынком
Каждый год обновляем программу по реальным запросам компаний — от MLOps до генеративного ИИ. Ты изучишь то, что действительно востребовано прямо сейчас. Получишь сильный математический и аналитический фундамент: глубокое понимание алгоритмов обеспечивается курсами по статистике, математике и оптимизации
02
Научишься работать с современным 
стеком
Освоишь стек ML‑инженера: Python, фреймворки и библиотеки для ML (PyTorch, Hugging Face, Transformers, Optuna), инструменты для работы с данными и компьютерным зрением (OpenCV), а также MLOps‑практики (DVC, MLflow), CI/CD и инструменты для развертывания моделей (Docker, FastAPI)
03
Будешь учиться у экспертов из индустрии
Занятия ведут практикующие эксперты и исследователи, которые работают в ИТ‑компаниях и научных центрах, — знания передаются из первых рук. Наши студенты участвуют в реальных проектах, которые решают реальные задачи компаний
04
Разовьешь гибкие навыки и продуктовое мышление
Курсы по гибким навыкам и продуктовому мышлению — от продуктового менеджмента до аналитики — помогают развить не только технические, но и ключевые навыки работы в команде: коммуникацию, взаимодействие и бизнес‑мышление
Совместный трек с Lamoda

Машинное обучение в электронной коммерции

Во время обучения ты научишься:
  • Строить ML-модели на реальных
    данных Lamoda
  • Работать с продуктовыми
    метриками: конверсия,
    retention, LTV
  • Формулировать и проверять
    гипотезы через A/B тесты
  • Принимать решения на основе
    данных с учетом бизнес-
    результата
  • Решать реальные бизнес-задачи
    в актуальном рыночном
    контексте

Результат обучения — это реальный опыт работы с задачами Lamoda
и готовое портфолио, соответствующее запросам индустрии

Программа обучения

Major Core
Дисциплины для формирования доменной экспертизы
Основы Python
Machine Learning
Основы статистики
Deep Learning
Advanced Deep Learning
Основы промышленной разработки
Production ML
Computer Vision
Natural Language Processing
RecSys
Major Choice
Дисциплины по выбору для расширения профиля в смежных областях знаний
ML System Design
Временные ряды
Избранные темы исследований в ИИ
Методы оптимизации
Разработка интеллектуальных агентов
Безопасность систем ИИ
Байесовские статистические модели
Causal Inference
Современные методы и алгоритмы ИИ
Речевые технологии
SQL и базы данных
Математика в DS
Алгоритмы
Flex
Дисциплины по выбору для расширения профиля в смежных областях знаний
Продуктовые курсы
Продуктовая студия
Генерация и валидация гипотез
Метрики бизнеса и продукта
Курсы других направлений
Технологическое предпринимательство
Инженерия данных
Управление ML-продуктами
Soft
Дисциплины для развития гибких навыков
Soft Skills Lab
Лидерство и управление
Гоголь Школа
Переговоры
Публичные выступления
Управление командой разработки
Смотреть полную программуСмотреть полную программу

Пример расписания

Понедельник
Вторник
Среда
Четверг
Пятница
Суббота
Воскресенье
19:00 – 20:20
Математика в DS
20:35 – 21:55
Математика в DS
19:00 – 20:20
Основы статистики
20:35 – 21:55
SQL и базы данных
19:00 – 20:20
Machine Learning
20:35 – 21:55
Machine Learning
19:00 – 20:20
Основы статистики
20:35 – 21:55
SQL и базы данных
11:30 – 12:50
Machine Learning
13:00 – 17:20
Soft Skills Lab
  • с 13 сентября
  • один раз в 2 недели
Гоголь школа
  • с 6 сентября
  • один раз в 2 недели
  • Лекции
  • Семинары
  • Занятия с партнерами ЦУ

Карьерные
 перспективы

Выпускники смогут построить карьеру в индустрии — от молодых компаний (стартапов) до крупных технологических компаний

Инженер по машинному обучению (ML-Engineer)

Разработка и оптимизация моделей машинного обучения

Специалист по анализу данных (Data scientist)

Анализ данных, прогнозирование и построение ИИ‑решений

Инженер по анализу изображений и видео (Computer Vision Engineer)

Работа с изображениями, видео и системами распознавания

Инженер по обработке естественного языка (NLP Engineer)

Разработка моделей обработки естественного языка

Специалист по системам рекомендаций (Recommender Systems Specialist)

Разработка и внедрение персонализированных решений

Продуктовый менеджер ИИ-продуктов (AI Product Manager)

Управление разработкой и внедрением ИИ-решений в бизнесе

После обучения
 ты сможешь
 уверенно

01
Анализировать данные, чтобы строить качественные ML‑модели
  • Использовать Python на профессиональном уровне и применять Pandas, NumPy для анализа, очистки и трансформации данных
  • Разрабатывать и обучать модели машинного обучения для задач классификации, регрессии и кластеризации
  • Оптимизировать SQL‑запросы и проектировать схемы баз данных NoSQL для хранения и подготовки больших объемов информации
02
Разрабатывать ИИ-решения для прикладных задач
  • Создавать решения в области компьютерного зрения, обработки текста и рекомендательных систем
  • Работать с современными нейросетевыми архитектурами и строить воспроизводимые ML‑пайплайны
  • Аргументированно выбирать модели и архитектуры на основе метрик качества, статистической значимости и бизнес‑целей
03
Оптимизировать и внедрять ML‑системы
  • Проектировать эффективные алгоритмы обучения моделей и ML‑пайплайны
  • Настраивать инфраструктуру ML‑разработки с использованием Docker и Kubernetes, оптимизируя вычисления и производительность моделей
  • Внедрять устойчивые ML‑системы по принципам MLOps, автоматизируя обучение, деплой и мониторинг моделей
Поступи с грантом до 75% в ЦУ
Подать заявкуПодать заявку

Команда
 программы

Сергей Николенко

УЧЕНЫЙ. ПРЕПОДАВАТЕЛЬ
Опыт:Harbour Space University, ИТМО

Евгений Ильюшин

АКАДЕМИЧЕСКИЙ РУКОВОДИТЕЛЬ НАПРАВЛЕНИЯ «ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ»
Опыт:Okko, Prado Group, Viasat Global, TrendMD, МГУ

Александр Дьяконов

РУКОВОДИТЕЛЬ НАПРАВЛЕНИЯ «ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ»
Опыт:ВМК МГУ, Алгомост, Dasha.ai, Ozon

Александр Гущин

ИНДУСТРИАЛЬНЫЙ ЛИД НАПРАВЛЕНИЯ «ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ»
Опыт:DVC.org, Mechanica AI, Яндекс, Авито

Андрей Кузнецов

РУКОВОДИТЕЛЬ КУРСА «MULTIMODAL GENERATIVE AI FOR PERCEPTION AND SYNTHESIS»
Опыт:Университет «Иннополис», AIRI, Сбер

Иван Стельмах

ДИРЕКТОР ПО ПРОДУКТУ
Опыт:Carnegie Mellon, Google, Яндекс
Все преподавателиВсе преподаватели

Профессиональное
 сообщество

Александр Анохин

«Машинное обучение», 2 курс
ДостижениеПерешел от роли исполнителя исследовательских задач к позиции самостоятельного исследователя, формирующего исследовательскую повестку,
выбирающего направления работы и отвечающего за результат

Вадим Смирнов

«Машинное обучение», 2 курс
ДостижениеУстроился в AI Lab Сбера и работает над LightAutoM,
команда которого победила в Kaggle AutoML Grand Prix
Все отзывыВсе отзывы

Как поступить
на «Машинное
обучение» в ЦУ?

Грантовый конкурс
Основной способ поступления. Переняли опыт ведущих ИТ-компаний и сделали максимально комфортным поступление для магистров
При успешном прохождении всех этапов отбора и зачислении предоставляется грант на обучение в размере
до 75% (до 1 350 000 руб.) от стоимости программы
Заполни заявку на сайте — после этого ты получишь доступ в личный кабинет абитуриента
В личном кабинете выбери программу и трек обучения, а также просим написать тебя:
МОТИВАЦИОННОЕ ПИСЬМО
РЕЗЮМЕ
  • Образование
  • Опыт
  • Навыки
  • Достижения
Контест проходит в онлайн-формате и состоит из нескольких блоков:
МАТЕМАТИКА
Материалы для подготовки
ПРОГРАММИРОВАНИЕ
Материалы для подготовки
Собеседование состоит из двух частей
ПРАКТИЧЕСКАЯ ЧАСТЬ
  • Математика
  • Программирование
ПРОВЕРКА СОФТОВ
  • Коммуникация
  • Решение конфликтных ситуаций
  • Умение обосновать мотивацию в выборе направления
На научный трек будет дополнительный очный экзамен после собеседования
05
Подай заявление на поступление через портал Госуслуг с 20 июня
06
Подпиши оригиналы документов на поступление до 24 августа

Даты
грантового
конкурса

Старт подачи заявок
13 апреля
У абитуриента есть возможность решить контест и поменять программу или трек 1 раз в течение волны. При этом собеседование можно пройти только 1 раз
ВОЛНА 1
13 апреля – 10 мая
ВОЛНА 2
11 мая – 7 июня
ВОЛНА 3
8 июня – 5 июля
ВОЛНА 4
6 июля – 2 августа
ВОЛНА 5
3 августа – 20 августа
Издание приказа о зачислении по всем программам
26 августа

Магистратура
в ЦУ

10 000+
Заявок на поступление в 2025 году
600+
Студентов учатся у нас в магистратуре
200+
Опытных преподавателей из индустрии
Востребованные программы по ИТ‑профессиям
ОФЛАЙН ОНЛАЙН
Продуктовый менеджмент
Машинное обучение
ОФЛАЙН
Продуктовая аналитика
Бэкенд-разработка

Твои возможности
в ЦУ

01

Мастерская «Пробуй и учись»

Получи опыт работы, выполняя настоящие бизнес-задачи от заказчиков. Реализованными проектами можно будет наполнить портфолио
02

Центр партнерств и карьеры

Подберем карьерный путь, который идеально тебе подойдет, и будем рядом на каждом шаге — от постановки цели до предложения о работе
03

Научные лаборатории

Даем возможность развиваться по академическому треку и участвовать в исследовательской деятельности с профессорами мирового уровня
04

Предпринимательство: ускоритель ЦУ

Поможем технологическим 
проектам пройти путь от идеи до MVP и первых продаж
05

Ассессмент, наставники и эксперты

Определяем уровень профессиональных навыков у студентов относительно рыночных карт компетенций. Помогаем с построением персональной траектории карьерного развития

Регистрация на грантовый конкурс

Программа поддержки сильных и мотивированных абитуриентов, покрывающая до 75% стоимости обучения в Центральном университете

Ответы
 на частые
 вопросы

Да, если ты получаешь непрерывное образование и поступаешь в магистратуру в год окончания бакалавриата
Да, выпускники получат диплом государственного образца по специальности 02.04.01 «Математика и компьютерные науки» или по специальности 38.04.05 «Бизнес-информатика»
Изучи схему поступления и материалы для подготовки к отборочным испытаниям, а затем приступай к решению онлайн‑контеста.
Если не получилось набрать проходной балл с первого раза, пробуй решить контест вновь в следующей волне
Находимся в тесном контакте
с бизнесом и совместно разрабатываем учебные программы
Да, у нас есть четыре кампус-отеля. Подробнее о них можно узнать на этой странице.
Обрати внимание, что кампус-отели доступны только для студентов, поступающих в магистратуру в год окончания бакалавариата
Да, но все зависит от твоих индивидуальных особенностей. Учеба интенсивная, но идет только по вечерам в будни
(не каждый день) и в субботу.
При необходимости разрешаем растянуть прохождение курсов на 3 года. Открыты к обсуждению каждой ситуации индивидуально
Итоговая работа необходима, если хочешь получить диплом магистра. Это может быть личный проект или крупная задача с твоей работы, не только исследование
Нет, все по желанию
Да, есть. Примеры заданий контеста станут доступны после регистрации в личном кабинете абитуриента
Нет, максимальный размер гранта составляет 75%
Для общения абитуриентов и студентов мы организовываем дни открытых дверей, митапы и другие мероприятия. Следи за обновлениями на сайте и в наших социальных сетях
Напиши в наш Телеграм-бот
Буткемп — интенсивный краткосрочный курс обучения с полным погружением в практику, ориентированный на быстрое освоение конкретного навыка (чаще всего в IT)
Деплой — разговорная форма от Deploy; процесс переноса кода приложения в рабочую среду
Грейд — разговорная форма от Grade; уровень специалиста в компании по компетенциям и опыту
Грейдирование — разговорная форма от Grading; процесс присвоения сотруднику определённого грейда
Джун — разговорная форма от Junior; начинающий специалист
Инсайт — неочевидный, ценный вывод из данных, который меняет понимание проблемы или открывает новую возможность
Миддл — разговорная форма от Middle; специалист среднего уровня
Продакт-менеджер — сокращение от Product Manager; специалист, отвечающий за стратегию, развитие и жизненный цикл продукта
Стек — набор технологий, языков, фреймворков и инструментов, используемых для разработки проекта (например, стек frontend + backend + база данных)
Технологии кэширования — решения для временного хранения часто используемых данных в быстрой памяти (например, Redis, Memcached) для ускорения работы приложений
Ad-hoc — лат. «для этого случая»; решение, разработанное специально для одной задачи, без расчёта на повторное использование
Airflow — платформа для оркестрации и автоматизации рабочих процессов (пайплайнов), особенно ETL-задач
Apache Iceberg — формат таблиц для хранения больших данных в озёрах данных (data lakes), поддерживающий транзакции и эволюцию схемы
Bash — командная оболочка и язык скриптов в Unix-системах для автоматизации задач и управления системой
BI — Business Intelligence; набор инструментов и практик для сбора, анализа и визуализации данных с целью поддержки управленческих решений
CI/CD — Continuous Integration / Continuous Delivery (Deployment); автоматизированные процессы для интеграции, тестирования и доставки кода в продакшен
CI/CD-пайплайны — автоматизированные цепочки процессов для непрерывной интеграции (Continuous Integration) и непрерывной доставки/развертывания (Continuous Delivery/Deployment) кода
ClickHouse — высокопроизводительная колоночная СУБД для аналитики и обработки больших объёмов данных в реальном времени
Data Science — наука о данных; междисциплинарная область, объединяющая программирование, статистику, математику и машинное обучение для извлечения знаний из данных
Data Scientist — специалист по анализу и интерпретации сложных данных для решения бизнес-задач
DevOps-инструменты — набор программ и практик для автоматизации разработки, тестирования, развертывания и поддержки по (например, Git, Docker, Kubernetes, Jenkins)
Difference-in-Differences — метод эконометрического анализа для оценки эффекта вмешательства путём сравнения изменений во времени между контрольной и экспериментальной группами
Docker — платформа для контейнеризации приложений, позволяющая упаковывать код и зависимости в изолированные контейнеры
DVC — Data Version Control; система контроля версий данных и моделей машинного обучения
ETL-пайплайны — процессы Extract (извлечение), Transform (преобразование), Load (загрузка); последовательность шагов для переноса данных из источников в хранилище
Frontend — фронтенд: часть приложения или сайт, с которой взаимодействует пользователь (интерфейс, визуальная логика)
Git — система контроля версий для отслеживания изменений в коде и совместной разработки
Go — язык программирования от Google, ориентированный на производительность, простоту и работу с многопоточностью
Helicopter view — общее понимание ситуации; стратегический обзор; целостное видение без погружения в детали
Helm — инструмент для управления Kubernetes-приложениями через чарты (шаблоны развертывания)
Hugging Face — платформа для моделей искусственного интеллекта, особенно в области NLP (обработка естественного языка)
Java (Spring) — язык программирования Java с фреймворком Spring для создания корпоративных веб-приложений и микросервисов
Kafka — распределённая система обмена сообщениями для обработки потоковых данных в реальном времени
Kaggle AutoML Grand Prix — международный конкурс по автоматизированному машинному обучению на платформе Kaggle
Kotlin — современный язык программирования для JVM, часто используемый для разработки под Android и бэкенда
Kubernetes — система оркестрации контейнеров для автоматического развертывания, масштабирования и управления контейнеризированными приложениями
LightAutoML — библиотека для автоматизированного машинного обучения (AutoML)
ML — Machine Learning; методы, позволяющие моделям обучаться на данных и делать прогнозы
ML Researcher — исследователь в области машинного обучения, занимающийся разработкой и анализом новых моделей и алгоритмов
ML-пайплайны — последовательность шагов для преобразования сырых данных в готовую модель машинного обучения
MLOps — Machine Learning Operations; практики по автоматизации и управлению жизненным циклом моделей ML в продакшене
MLflow — платформа для управления жизненным циклом моделей машинного обучения (эксперименты, модели, развертывание)
Middle Research Scientist — исследователь среднего уровня, способный вести проекты и анализ с частичным руководством
MVP — Minimum Viable Product; минимально жизнеспособный продукт: первая версия продукта с  азовым функционалом, достаточным для проверки гипотез на рынке
NoSQL — тип баз данных без жёсткой табличной структуры, с гибкой схемой (например, MongoDB, Cassandra)
NumPy — библиотека Python для работы с многомерными массивами и математическими операциями
OpenCV — библиотека компьютерного зрения для обработки изображений и видео
Pandas — библиотека Python для обработки и анализа табличных данных
PhD — Doctor of Philosophy; высшая научная степень, подтверждающая способность к независимым исследованиям
Postgres — сокращение от PostgreSQL; мощная открытая реляционная СУБД с поддержкой сложных запросов, транзакций и расширений
Production ML — использование моделей машинного обучения в рабочей среде (продакшене), с обеспечением стабильности и масштабируемости
Propensity Score Matching — статистический метод оценки эффекта вмешательства путём сопоставления объектов с похожей вероятностью попадания в экспериментальную группу
Python — универсальный язык программирования, популярный в Data Science, веб-разработке, автоматизации и скриптах
QA-инженер — специалист по обеспечению качества (Quality Assurance), тестирующий по на ошибки и соответствие требованиям
R&D — Research and Development; научно-исследовательские и опытно-конструкторские работы (НИОКР) для создания инноваций
Regression Discontinuity Design — квазиэкспериментальный метод анализа, использующий пороговое значение для оценки причинно-следственного эффекта
Research Scientist — специалист, занимающийся фундаментальными или прикладными исследованиями, часто в научных или технологических компаниях
S3 — объектное хранилище (например, Amazon S3), используемое для надёжного и масштабируемого хранения больших объёмов данных
Soft skills — гибкие навыки: коммуникация, эмоциональный интеллект, работа в команде, управление временем и другие
Spark — фреймворк для распределённой обработки больших данных, поддерживает пакетную и потоковую аналитику
SQL — язык структурированных запросов для работы с реляционными базами данных (выборка, обновление, удаление данных)
Synthetic Control — метод оценки эффекта вмешательства путём построения «синтетической» контрольной группы как взвешенной комбинации похожих объектов
Test and Learn — подход, при котором решения проверяются на практике через эксперименты, после чего принимаются на основе полученных данных
Transformers — архитектура нейронных сетей, применяемая в NLP и других задачах; также — одноимённая библиотека от Hugging Face
PyTorch — библиотека для глубокого обучения, разработанная Facebook AI, популярна в исследованиях и разработке моделей

Мы здесь

  • Кампус
    Центрального
    университета    г. Москва
    • Кампус
      ул. Гашека, д. 7 стр. 1, м. «Маяковская»
  • Кампус-отелиг. Москва
    • Облако
      ул. Гашека, д. 12 стр. 8
    • Cosmos
      ул. Профсоюзная 154, корп. 3
    • Байкал
      ул. Сельскохозяйственная 15/1, корп. 2
    • Турист
      ул. Сельскохозяйственная, д. 17, корп. 2, 3, 5, 6, 7
      Скоро открытие
Приемная комиссия
Москва, ул. Гашека, д. 7, стр. 1
Чат с командой Центрального университета
ИИ в биотехе: день открытых дверей 30 мая

Бакалавриат

Магистратура

Лаборатория управления

Дополнительное образование

Мероприятия

Об университете

© ЦУ, 2026
Политика обработки персональных данныхПолитика обработки персональных данных
Образовательные услуги оказываются АНО ВО
«Центральный университет», свидетельство
№ А007-115-77/1 039 609, 29 января 2024