Приемная кампания в MAX

+7(800)707-92-75 (РФ)

+7(843)206-50-90 (для ин. граждан)

Личный кабинет

+7(800)707-92-75 (РФ)

+7(843)206-50-90 (для ин. граждан)

Подать документы Школьнику

38.04.05 Бизнес-информатика (профиль: Цифровые технологии в бизнесе)

Казанский (Приволжский) федеральный университет Институт вычислительной математики и информационных технологий

О программе

В современном мире цифровые технологии играют все более значимую роль в бизнесе, обеспечивая компаниям конкурентное преимущество и эффективность. Магистерская программа по направлению 38.04.05 Бизнес-информатика «Цифровые технологии в бизнесе» предлагает студентам углубленное изучение современных инструментов и методов, используемых в цифровом маркетинге, аналитике данных, электронной коммерции и других сферах.

Язык обучения Русский

Форма обучения Очная

Срок обучения 2

Вступительные испытания

Бюджетных мест 10

Платных мест 2

Стоимость обучения,
рублей в год 269 580

Узнать больше

Проходной балл по итогам 2025 года

На бюджет 88

На контракт 40

Профили

Цель программы

Магистратура по цифровым технологиям в бизнесе предназначена для тех, кто хочет стать лидерами внедрения цифровых технологий в организации. По завершении программы выпускники будут готовы к эффективной работе современных цифровых технологий в бизнесе и принимать решения, способствующие развитию организаций в условиях быстро меняющегося рынка.

Ключевые дисциплины

Цифровые технологии в бизнесе

  • В ходе обучения студенты изучат теорию и практику применения цифровых технологий в бизнесе, используя методы машинного обучения, технологии блокчейн, методы глубокого обучения с применением последних математических моделей для обучения алгоритмов.
  • Они также изучат стратегическое планирование и управление проектами в области цифровых технологий, принципы командообразования и развития команды проекта, вопросы риск менеджмент IT-проектов.

Научная деятельность

  • Применение методов машинного обучения для прогнозирования вероятности дефолта заемщиков на основе транзакционных данных
  • Анализ и прогнозирование стоимости акций российских компаний с применением языковых моделей
  • Онлайн алгоритмы управления портфелями с учетом транзакционных издержек
  • Разработка гибридной RAG-системы на основе LLM с адаптивной маршрутизацией запросов для корпоративных баз знаний
  • Исследование эффективности методов LoRA и QLoRA при fine-tuning больших языковых моделей для задач аналитической генерации текста
  • Применение генеративно-состязательных сетей (GAN) для синтеза высококачественных временных рядов в задачах прогнозирования энергопотребления
  • Построение отказоустойчивой системы прогнозирования временных рядов на основе ансамблирования SOTA-архитектур (Informer, PatchTST, NHITS) с автоматическим детектированием дрейфа данных