AI и наука о данных: использование ответственного ИИ, данных и статистики для практического воздействия
Сотрудничество между Astana IT University и MIT IDSS
№1
MIT — университет номер один в мире в области
2 трека
Взаимодополняющих трека: 12-недельная программа и 3-дневный интенсив для руководителей
2026
Год цифровизации и искусственного интеллекта в Казахстане
1-й визит
Основателя и первого директора MIT IDSS в Казахстан
Преимущество MIT IDSS
MIT Institute for Data, Systems, and Society (IDSS) объединяет экспертизу в области Data Science, статистики, теории информации, социальных наук и системной инженерии для решения одних из самых сложных мировых задач. Благодаря исследовательским и образовательным программам MIT IDSS предоставляет профессионалам аналитические инструменты и междисциплинарные подходы, позволяющие глубже понимать взаимосвязанные системы.
Являясь частью университета №1 в мире по рейтингу QS World University Rankings 2025 и №2 среди национальных университетов США по версии U.S. News & World Report 2025, MIT IDSS продолжает развивать практико-ориентированное обучение и формировать подходы к принятию решений на основе данных в разных отраслях.
Обучение у ведущих преподавателей MIT IDSS
Участники получают доступ к записанным лекциям преподавателей и инструкторов MIT, обладающих экспертизой в области deep learning, системной инженерии, оптимизации, причинно-следственного анализа и других направлений. Программа основана на исследовательском подходе MIT IDSS к образованию и дает слушателям возможность познакомиться с идеями, которые формируют будущее принятия решений на основе данных.
Участники получают доступ к записанным лекциям преподавателей и инструкторов MIT, обладающих экспертизой в области deep learning, системной инженерии, оптимизации, причинно-следственного анализа и других направлений. Программа основана на исследовательском подходе MIT IDSS к образованию и дает слушателям возможность познакомиться с идеями, которые формируют будущее принятия решений на основе данных.
Учебная программа, основанная на исследованиях LIDS
Laboratory for Information and Decision Systems (LIDS) является исследовательской основой MIT IDSS. Программа AI and Data Science: Leveraging Responsible AI, Data and Statistics for Practical Impact опирается на традицию MIT применять аналитическое мышление для решения реальных задач. Учебная программа объединяет базовые и продвинутые концепции Data Science, Artificial Intelligence и Machine Learning, подкрепленные актуальными исследованиями LIDS.
Laboratory for Information and Decision Systems (LIDS) является исследовательской основой MIT IDSS. Программа AI and Data Science: Leveraging Responsible AI, Data and Statistics for Practical Impact опирается на традицию MIT применять аналитическое мышление для решения реальных задач. Учебная программа объединяет базовые и продвинутые концепции Data Science, Artificial Intelligence и Machine Learning, подкрепленные актуальными исследованиями LIDS.
Междисциплинарный подход
MIT IDSS был основан на убеждении, что решение глобальных вызовов требует объединения различных подходов и взглядов. Программа использует методы статистики, теории управления, сетевой науки, экономики и социальных наук, подготавливая слушателей к моделированию, анализу и управлению сложными взаимосвязанными системами. Такой междисциплинарный подход создает основу для устойчивых инноваций в финансах, здравоохранении, городском развитии и других сферах.
MIT IDSS был основан на убеждении, что решение глобальных вызовов требует объединения различных подходов и взглядов. Программа использует методы статистики, теории управления, сетевой науки, экономики и социальных наук, подготавливая слушателей к моделированию, анализу и управлению сложными взаимосвязанными системами. Такой междисциплинарный подход создает основу для устойчивых инноваций в финансах, здравоохранении, городском развитии и других сферах.
Акцент на этичном и ответственном ИИ
В рамках своей миссии MIT IDSS уделяет особое внимание ответственному проектированию и внедрению систем ИИ, помогая слушателям применять Data Science с учетом социальных аспектов и этических принципов.
В рамках своей миссии MIT IDSS уделяет особое внимание ответственному проектированию и внедрению систем ИИ, помогая слушателям применять Data Science с учетом социальных аспектов и этических принципов.
AI and Data Science: Leveraging Responsible AI, Data and Statistics for Practical Impact
Станьте лидером в принятии решений с применением ИИ благодаря 12-недельной онлайн-программе от преподавателей MIT
Онлайн (будни: вечер)
Живые/записанные лекции, практика, менторские сессии
Офлайн (выходные)
Дисциплины AITU
Практика и проекты
3 проекта, реальные кейсы и групповые задания
Мастер классы по GenAI
3 эксклюзивных сессии
По завершении программы участники получат сертификаты MIT IDSS.
Торжественная церемония вручения сертификатов пройдет в MIT, Бостон, США.
12-недельная программа | Старт обучения: 22 июня 2026
Язык обучения: английский
AI and Data Science: Leveraging Responsible AI, Data and Statistics for Practical Impact
12-недельная программа AI and Data Science: Leveraging Responsible AI, Data and Statistics for Practical Impact от MIT IDSS, ранее называвшаяся Data Science and Machine Learning: Making Data Driven Decisions, помогает освоить инструменты, методы и подходы, необходимые для лидерства в эпоху данных и применения передовых решений к реальным задачам. Участники изучат такие ключевые темы, как Deep Learning, Computer Vision, Recommendation Systems, Ethical and Responsible AI.
Также участники познакомятся с новейшими инновациями в рамках трех мастер-классов по Generative AI, которые помогут понять новые инструменты и методы, формирующие будущее решений на основе ИИ. На протяжении всей программы предусмотрены практические проекты и рекомендации от опытных менторов, работающих в ведущих международных организациях. Обучение построено так, чтобы помочь участникам связать теоретические концепции с реальными бизнес-результатами и принимать более обоснованные и эффективные решения.
Результаты программы
- Понимать особенности методов Data Science и Artificial Intelligence, а также их применение для решения реальных задач
- Применять различные методы Machine Learning для решения сложных задач и принятия бизнес-решений на основе данных
- Изучить два ключевых направления Artificial Intelligence — Machine Learning и Deep Learning, а также понять их применение в таких областях, как Computer Vision и Recommendation Systems
- Выбирать наиболее эффективные способы представления данных при построении прогнозов
- Изучить практическое применение Recommendation Systems в различных отраслях и бизнес-контекстах
- Создать портфолио проектов, готовое для индустрии, и продемонстрировать способность извлекать ценные бизнес-инсайты из данных
Преимущества программы
- Обучение у преподавателей MIT
Получите доступ к записанным лекциям 13 всемирно известных преподавателей и инструкторов MIT, которые сочетают академическую глубину с практической значимостью для индустрии в каждом занятии. - Менторская поддержка от экспертов индустрии
Получите прямую менторскую поддержку от специалистов, работающих в ведущих мировых организациях, которые поделятся реальными примерами применения концепций Data Science и AI. - Практическая экспертиза
Выполните 3 практических проекта и изучите более 50 реальных кейсов, чтобы укрепить свои навыки и продемонстрировать компетенции в области AI и Data Science. - Изучите будущее ИИ
Посетите 3 эксклюзивных мастер-класса по Generative AI, чтобы понять последние разработки и то, как они меняют разные отрасли по всему миру. - Освойте ключевые концепции ИИ
Углубите понимание основных концепций ИИ, включая Generative AI, Recommendation Systems, Responsible AI и Deep Learning. - Получите признанный сертификат
Получите Certificate of Completion от MIT IDSS и 8.0 Continuing Education Units (CEUs), подтверждающие вашу способность применять AI и Data Science для достижения значимых результатов. - Карьерная поддержка
Воспользуйтесь специализированной карьерной поддержкой, включая индивидуальный разбор CV и профиля LinkedIn, чтобы усилить свои позиции для перехода или продвижения в данной сфере.
Сертификат об окончании программы
После успешного завершения программы участники получат Certificate of Completion от MIT IDSS и 8.0 Continuing Education Units (CEUs), подтверждающие способность применять Data Science и Artificial Intelligence для создания измеримой ценности.
Примечание: изображение представлено исключительно в иллюстративных целях. Фактический сертификат может быть изменён по усмотрению университета.
Для кого эта программа?
Специалисты, которые хотят развить экспертизу в Data Science, Machine Learning и AI через практические проекты и реальные кейсы.
Люди, которые хотят превращать сложные данные в практические инсайты для эффективных бизнес-решений.
Специалисты, которые стремятся руководить AI и Data Science инициативами или участвовать в их реализации в разных отраслях.
Специалисты, которые хотят применять GenAI, Deep Learning и Recommendation Systems для решения бизнес-задач.
Учебная программа
Эта 12-недельная программа разработана, чтобы помочь вам сформировать прочную базу в Data Science, Machine Learning и Artificial Intelligence через структурированное и практико-ориентированное обучение.
30+ часов записанных лекций от преподавателей MIT, менторские сессии с экспертами и практические проекты, структурированные следующим образом:
Предварительная подготовка
Основы Data Science и AI
• Введение в мир данных
• Введение в Python
• Введение в Generative AI
• Введение в Prompt Engineering
• Применение Data Science и AI
• Введение в мир данных
• Введение в Python
• Введение в Generative AI
• Введение в Prompt Engineering
• Применение Data Science и AI
• Жизненный цикл Data Science
• Математика и статистика в основе Data Science и AI
• История Data Science и AI
Неделя 0
Применение Data Science и AI
• Практический кейс по применению Data Science и Artificial Intelligence
• Практический кейс по применению Data Science и Artificial Intelligence
Недели 1–2
Основы AI
• Python для Data Science (NumPy и Pandas)
• Python для визуализации
• Python для Data Science (NumPy и Pandas)
• Python для визуализации
• Инференциальная статистика
• Проверка гипотез
Неделя 3
Мастер-класс по анализу данных с Generative AI
Неделя 4
Работа с неструктурированными данными
• Кластеризация
• Методы снижения размерности (PCA, t-SNE)
• Кластеризация
• Методы снижения размерности (PCA, t-SNE)
Неделя 5
Проектная неделя и мастер-класс по GenAI
• Проект по кластеризации и PCA
• Мастер-класс по обучению на текстовых данных
• Проект по кластеризации и PCA
• Мастер-класс по обучению на текстовых данных
Неделя 6
Регрессия и прогнозирование
• Введение в обучение с учителем и регрессию
• Введение в обучение с учителем и регрессию
• Оценка модели, кросс-валидация и бутстрэппинг
Неделя 7
Классификация и проверка гипотез
• Введение в классификацию
• Проверка гипотез
• Введение в классификацию
• Проверка гипотез
• Логистическая регрессия
• Деревья решений и Random Forest
Неделя 8
Проектная неделя и мастер-класс по GenAI
• Проект по классификации в Machine Learning
• Мастер-класс по AI-powered разметке текста
• Проект по классификации в Machine Learning
• Мастер-класс по AI-powered разметке текста
Неделя 9
Deep Learning и Computer Vision
• Введение в Deep Learning
• Концепция нейронов
• Искусственные нейронные сети (ANNs)
• Введение в Deep Learning
• Концепция нейронов
• Искусственные нейронные сети (ANNs)
• Введение в Computer Vision
• Архитектура CNN и Transfer Learning
Неделя 10
Recommendation Systems
• Recommendation Systems
• Recommendation Systems: кластеризация, Collaborative Filtering и SVD
• Recommendation Systems
• Recommendation Systems: кластеризация, Collaborative Filtering и SVD
Неделя 11
Этичный и ответственный AI
• Введение в жизненный цикл AI
• Введение в понятие предвзятости и её примеры
• Введение в причинно-следственные связи и конфиденциальность
• Введение в жизненный цикл AI
• Введение в понятие предвзятости и её примеры
• Введение в причинно-следственные связи и конфиденциальность
• Взаимосвязи и области применения
• Взаимозависимость и обратная связь в AI-системах
Неделя 12
Проектная неделя
• Проект по Recommendation System
• Проект по Recommendation System
* Критерии завершения программы: участники должны набрать минимум 60% по каждому курсу.
Модули для самостоятельного изучения
Модуль 1
Основы Generative AI
Модуль 2
Бизнес-применение Generative AI
(включая введение в Agentic AI)
Модуль 3
Сетевые и графовые модели
Модуль 4
Предиктивная аналитика
Преподаватели программы
Преподаватель MIT
Dr. Caroline Uhler
Профессор MIT
Prof. Munther Dahleh
Профессор MIT
Dr. Devavrat Shah
Ассоциированный профессор MIT
Prof. Stefanie Jegelka
Профессор MIT
Prof. John Tsitsiklis
Dr. Caroline Uhler — преподаватель MIT с совместными назначениями в области Electrical Engineering and Computer Science (EECS), а также в Institute for Data, Systems, and Society (IDSS). Исследования Dr. Uhler находятся на пересечении Machine Learning, статистики и геномики, с особым акцентом на причинно-следственный анализ, representation learning и регуляцию генов. Она получила степень Ph.D. по статистике в University of California, Berkeley, а также имеет образование в области математики, биологии и математического образования. Dr. Uhler является избранным членом International Statistical Institute и обладателем ряда престижных наград, включая Sloan Research Fellowship, NSF CAREER Award, Sofja Kovalevskaja Award от Humboldt Foundation и START Award от Austrian Science Fund.
Prof. Munther Dahleh — одна из ключевых фигур академического сообщества MIT, занимающий должность William A. Coolidge Professor. С 1 июля 2015 года по 30 июня 2023 года он являлся основателем и первым директором Institute for Data, Systems, and Society (IDSS). Также Prof. Dahleh является членом MIT Laboratory for Information and Decision Systems (LIDS).
Свою академическую карьеру в MIT он начал в 1987 году в должности assistant professor, а в 1998 году получил звание полного профессора. Его исследования охватывают теорию устойчивого управления, проектирование вычислительных систем управления, взаимосвязь информации и управления, а также системные риски во взаимосвязанных системах. Prof. Dahleh internationally recognized за вклад в данные направления и также работал приглашённым профессором в Caltech и консультантом для различных организаций по всему миру.
Свою академическую карьеру в MIT он начал в 1987 году в должности assistant professor, а в 1998 году получил звание полного профессора. Его исследования охватывают теорию устойчивого управления, проектирование вычислительных систем управления, взаимосвязь информации и управления, а также системные риски во взаимосвязанных системах. Prof. Dahleh internationally recognized за вклад в данные направления и также работал приглашённым профессором в Caltech и консультантом для различных организаций по всему миру.
Dr. Devavrat Shah — Andrew (1956) and Erna Viterbi Professor факультета Electrical Engineering and Computer Science в MIT. Он также связан с Laboratory for Information and Decision Systems (LIDS), Institute for Data, Systems, and Society (IDSS) и Operations Research Center (ORC). Степень Ph.D. по Computer Science Dr. Shah получил в Stanford University.
Его исследования сосредоточены на крупномасштабных сетях и методах inference, включая стохастические сети, сетевые алгоритмы и теорию сетевой информации. За годы своей деятельности Dr. Shah был удостоен ряда престижных наград, включая President of India Gold Medal, INFORMS George B. Dantzig Best Dissertation Award, ACM SIGMETRICS Rising Star Award и Erlang Prize от INFORMS. Также IIT Bombay отметил его как Distinguished Young Alumnus.
Dr. Shah является сооснователем Celect, Inc., приобретённой Nike в 2019 году, а позже стал сооснователем Ikigai Labs, поддерживающей принятие решений на основе данных в бизнесе.
Его исследования сосредоточены на крупномасштабных сетях и методах inference, включая стохастические сети, сетевые алгоритмы и теорию сетевой информации. За годы своей деятельности Dr. Shah был удостоен ряда престижных наград, включая President of India Gold Medal, INFORMS George B. Dantzig Best Dissertation Award, ACM SIGMETRICS Rising Star Award и Erlang Prize от INFORMS. Также IIT Bombay отметил его как Distinguished Young Alumnus.
Dr. Shah является сооснователем Celect, Inc., приобретённой Nike в 2019 году, а позже стал сооснователем Ikigai Labs, поддерживающей принятие решений на основе данных в бизнесе.
Prof. Stefanie Jegelka — Associate Professor факультета Electrical Engineering and Computer Science в MIT. Она связана с Computer Science and Artificial Intelligence Laboratory (CSAIL), Institute for Data, Systems, and Society (IDSS), а также с группой Machine Learning в MIT.
Её исследования охватывают алгоритмы, оптимизацию и Machine Learning с акцентом на комбинаторные и дискретные задачи в современных AI-системах. До прихода в MIT Prof. Jegelka работала постдокторантом в AMPlab и Computer Vision Group в University of California, Berkeley. Степень Ph.D. она получила в Max Planck Institute в Тюбингене и ETH Zurich.
Prof. Jegelka internationally recognized за инновационный вклад в теоретические основы Machine Learning.
Её исследования охватывают алгоритмы, оптимизацию и Machine Learning с акцентом на комбинаторные и дискретные задачи в современных AI-системах. До прихода в MIT Prof. Jegelka работала постдокторантом в AMPlab и Computer Vision Group в University of California, Berkeley. Степень Ph.D. она получила в Max Planck Institute в Тюбингене и ETH Zurich.
Prof. Jegelka internationally recognized за инновационный вклад в теоретические основы Machine Learning.
Prof. John Tsitsiklis — уважаемый преподаватель факультета Electrical Engineering and Computer Science в MIT. Он связан с MIT Institute for Data, Systems, and Society (MIT IDSS), MIT Laboratory for Information and Decision Systems (MIT LIDS), а также MIT Operations Research Center (MIT ORC). Его исследования охватывают оптимизацию, управление, обучение и децентрализованное принятие решений.
Prof. Tsitsiklis является соавтором ряда фундаментальных трудов, включая Parallel and Distributed Computation, Neuro-Dynamic Programming, Introduction to Linear Optimization и Introduction to Probability. Он является обладателем множества престижных наград, среди которых ACM SIGMETRICS Achievement Award, INFORMS John von Neumann Theory Prize и IEEE Control Systems Award.
Также Prof. Tsitsiklis имеет почётные докторские степени Université Catholique de Louvain, Athens University of Economics and Business и Harokopio University. Степени B.S. по математике, а также M.S. и Ph.D. в области Electrical Engineering он получил в MIT.
Prof. Tsitsiklis является соавтором ряда фундаментальных трудов, включая Parallel and Distributed Computation, Neuro-Dynamic Programming, Introduction to Linear Optimization и Introduction to Probability. Он является обладателем множества престижных наград, среди которых ACM SIGMETRICS Achievement Award, INFORMS John von Neumann Theory Prize и IEEE Control Systems Award.
Также Prof. Tsitsiklis имеет почётные докторские степени Université Catholique de Louvain, Athens University of Economics and Business и Harokopio University. Степени B.S. по математике, а также M.S. и Ph.D. в области Electrical Engineering он получил в MIT.
Участники также получат доступ к дополнительным материалам от следующих преподавателей MIT
Prof. Tamara Broderick
Ассоциированный профессор кафедры Electrical Engineering & Computer Science, MIT
Prof. Victor Chernozhukov
Профессор кафедры экономики, Massachusetts Institute of Technology (MIT)
Prof. David Gamarnik
Профессор Operations Research в MIT Sloan School of Management, Nanyang Technological University
Prof. Jonathan Kelner
Профессор прикладной математики, MIT Department of Mathematics
Dr. Philippe Rigolle
Профессор математики, Massachusetts Institute of Technology (MIT)
Prof. Guy Bresler
Ассоциированный профессор кафедры Electrical Engineering and Computer Science, MIT
Dr. Kalyan Veeramachaneni
Главный научный сотрудник, Laboratory for Information and Decision Systems (LIDS), Massachusetts Institute of Technology (MIT)
Prof. Ankur Moitra
International Career Development Professor по Applied Mathematics и IDSS, MITМенторы от AITU - Поддержка на всех этапах
• Индивидуальные консультации
• Обратная связь
• Помощь в проектах
• Карьерные рекомендации