Искусственный интеллект
в науке

• Постановка исследовательской задачи и дизайн датасета: единица анализа, генеральная совокупность, выборка.
• Источники данных и стратегии сбора: первичные, вторичные данные и цифровые следы.
• Схема данных: типы переменных, метаданные, словарь данных.
• Очистка и предобработка данных: работа с дубликатами, выбросами, пропусками, кодирование категориальных признаков.
   

• Основы EDA: цели, задачи, отличие от confirmatory analysis (CDA).
• Визуализация данных: типы графиков, роль в интерпретации результатов.
• Этапы EDA и методы обработки данных.
• Работа с пропущенными значениями: механизмы пропусков (MCAR, MAR, NMAR) и методы их обработки.
• Обнаружение и обработка выбросов.

• Основы статистических гипотез: нулевая и альтернативная гипотезы, их роль в научном исследовании.
• Этапы постановки и проверки статистических гипотез: от формулировки до интерпретации результатов.
• Основные статистические тесты и критерии выбора метода анализа в зависимости от типа данных и гипотезы.
• Типичные ошибки при постановке и проверке гипотез и способы их устранения

• Основы линейной регрессии: постановка задачи, параметры модели и принцип обучения.
• Функция потерь и метод наименьших квадратов: средняя квадратичная ошибка (MSE), оптимизация параметров модели.
• Условия применимости линейной регрессии: анализ квартета Энскомбе, анализ остатков, проверка предположений теоремы Гаусса‑Маркова.
• Линейная классификация и логистическая регрессия: переход от регрессии к вероятностям (сигмоида), функция потерь Log loss.

• Ограничения линейных моделей: внутриклассовая вариативность и линейная разделимость (на примере задач XOR и датасетов MNIST/CIFAR‑10).
• Архитектура и обучение нейронных сетей: веса, смещения, функции потерь (MSE, MAE, Cross‑Entropy), метод градиентного спуска.
• Прямое и обратное распространение ошибки (backpropagation): математическая основа (правило цепочки), вычисление градиентов, обновление параметров.
• Функции активации и свёрточные нейронные сети (CNN): роль нелинейности, виды функций (сигмоида, ReLU), рецептивное поле, скользящее окно, визуализация фильтров и карт признаков.

• Представление текстовых данных для нейронных сетей: one‑hot encoding, word embeddings (Word2Vec, GloVe), контекстные эмбеддинги (BERT, RoBERTa).
• Задачи обработки естественного языка (NLP) с применением нейронных сетей: классификация текстов, машинный перевод, генерация текста, извлечение именованных сущностей (NER).
• Тонкая настройка (fine‑tuning) предобученных языковых моделей и оценка качества NLP‑решений: метрики (BLEU, ROUG‑L, F1‑score), анализ ошибок.

• Почему ИИ меняет науку прямо сейчас: ключевые факторы трансформации.
• Прорывные кейсы применения ИИ в науке (AlphaFold, GNoME, Coscientist).
• Типы ИИ‑решений для исследовательской работы: задачи и архитектуры.
• Риски и ограничения использования ИИ в научных исследованиях.
   

• Основы промпт‑инжиниринга: что такое промпт и из каких компонентов он состоит.
• Техники промпт‑инжиниринга для повышения качества ответов LLM.
• Применение промпт‑инжиниринга в конкретных научных задачах (реферирование, извлечение данных, помощь при письме и рецензировании).
• Ошибки LLM и методы верификации результатов: как снизить риск галлюцинаций и обеспечить достоверность данных.
   

• Три сценария поиска литературы: точечный, ориентирующий и систематический.
• Архитектуры ИИ‑систем для работы с литературой (RAG, навигация по графу цитирований, прямая загрузка PDF в контекст модели и т. д.).
• Практические схемы поиска, реферирования и извлечения данных с помощью ИИ.
• Верификация результатов, полученных с помощью ИИ‑инструментов: чек‑лист и ключевые правила.
   

• Извлечение полей из сторонних PDF‑документов: критерии автоматизации, пакетная обработка и выборочная верификация.
• Работа с табличными данными через LLM‑помощника: возможности и ограничения на разных типах задач.
• Сборка RAG‑систем над собственными документами: архитектура, типичные ошибки и способы их устранения.
• Разметка массивов текстов с помощью LLM: подготовка codebook, оценка качества разметки и финальный контроль.
   

• Архитектура больших агентных систем: роль и расположение валидатора в петле обратной связи (на примере Agent Laboratory, ResearchAgent, AI Scientist v2).
• Разрыв между теоретической оценкой идеи и результатами её реализации: данные эксперимента Si et al. (2026).
• Режимы работы автоматических рецензентов: агрегированная точность vs. решение по отдельной статье (на примере AI Scientist).
• Сборка персональной ИИ‑среды: база знаний на FAIR‑принципах, RAG‑обвязка, цепочки задач и поддержка стабильности связки.
   

• Зачем исследователю прототипирование и визуализация
• ИИ как генератор кода для визуализации
• Дашборды и быстрые интерфейсы
• Yandex AI Studio: исследовательский пайплайн (парк моделей и параметры генерации, сборка агента: инструменты и компоненты, workflows: визуальный конструктор сценариев)

• Основы архитектуры ИИ-агентов. Определение интеллектуального агента: сущность, роли и ключевые свойства.
• Обзор Yandex Cloud AI Studio. Архитектура платформы, принципы работы и интеграция с корпоративной ИТ-средой.
• Типы ИИ-агентов и сценарии применения. Чат-боты для сервисных функций (поддержка, информирование). Голосовые помощники – автоматизация коммуникации и управления. Корпоративные агентские сценарии: автоматический мониторинг, диспетчеризация.
• Использование шаблонов и готовых сценариев
• Применение стандартных модулей и быстрое развертывание агентов.
• Разработка собственных пользовательских сценариев и бизнес-логики.
• Соединение с внутренними базами данных и внешними API.

Для проекта слушатели самостоятельно выбирают данные и ставят исследовательскую проблему. Проект обязательно должен затрагивать проблематику профильной научной области. Работа должна включать несколько необходимых сегментов (они перечислены ниже). 

Обязательные сегменты проекта: 

• Постановка исследовательской проблемы.  
• Данные. 
• EDA. 
• Дизайн статистического исследования. 
• Организация обучения / создание модели. 
• Проанализируйте полученную модель с точки зрения важности признаков. 
• Подведение итогов. 

Проекты выполняются индивидуально или в командах (если предметные области совпадают). Защита проекта предполагает краткую (10-15 минут) беседу с преподавателем, в ходе которой слушателю курса необходимо подтвердить самостоятельность выполнения проекта, понимание функционала используемого программного обеспечения, а также понимание связи проведенного анализа данных с итоговыми выводами исследования.