Zwei Jahre von den mathematischen Grundlagen bis zu einem verteidigten Research- oder Production-Ergebnis
Das Programm führt von angewandter Mathematik und klassischem ML über den modernen Stack (Transformer, LLM, Agenten, MLOps) bis hin zu Spezialisierung und eigener Forschung. Vier Semester, jedes mit einem Kernangebot an Kursen, einem Wahlmodul und durchgängiger Praxis.
Mathematisches Fundament: Vektorräume, lineare Abbildungen und die Geometrie von Daten
Wahrscheinlichkeitsdenken und statistische Inferenz als Grundlage belastbarer Schlussfolgerungen im ML
Algorithmisches Denken und effiziente Datenstrukturen für skalierbare ML-Systeme
Von linearen Modellen zu neuronalen Netzen: klassisches ML und die ersten Schritte im Deep Learning
Wahlmodul aus dem Modulkatalog
Erste Forschungserfahrung: die Reproduktion eines wissenschaftlichen Papers von Anfang bis Ende
Optimierung als Motor des Lernens: von der Theorie bis zu modernen adaptiven Verfahren
Transformer, große Sprachmodelle und agentenbasierte Systeme – der zentrale Stack des modernen NLP
ML im Produktivbetrieb: Datenpipelines, Reproduzierbarkeit, Deployment und Monitoring
Zuverlässigkeit, Reproduzierbarkeit und ehrliche Bewertung von ML-Systemen
Wahlmodul aus dem Modulkatalog
End-to-End-ML-System: von den Rohdaten bis zum Production-Serving
Multimodales AI: Computer Vision oder Audio-/Sprachverarbeitung nach Wahl der Studierenden
Die Frontier des AI: bayessches ML, kausale Inferenz, Reinforcement Learning und Graph-Neuronale-Netze
Hochleistungsfähige ML-Systeme: GPU, verteiltes Training, Kompression und LLM-Serving
AI in realen Domänen: Wissenschaft, Robotik, Gesundheitswesen und Produktstrategie
Wahlmodul aus dem Modulkatalog
Team-Industrieprojekt: Production-ML mit realen SLA-, Latenz- und Qualitätsanforderungen
Wöchentliche Auseinandersetzung mit Frontier-Arbeiten und die Entwicklung einer eigenen Forschungsstimme
Zuverlässigkeit, Sicherheit und Alignment von AI-Systemen als ingenieurwissenschaftliche Disziplin
Beitrag zu Open Source oder einem Production-System: vom Konzept bis zum gemergten PR oder deployten Produkt
Strukturierte Begleitung beim Verfassen der Masterarbeit – von der Aufgabenstellung bis zur Verteidigung
Abschlusspraktikum: finales Experiment und Ergebnissammlung für die Masterarbeit
Masterarbeit: ein eigenständiger Beitrag zur AI-Forschung oder angewandten Entwicklung
Zusammenfassender Rahmen der Programmergebnisse – ein aus den Kurs-Outcomes zusammengestellter Entwurf, der von der Arbeitsgruppe noch präzisiert wird.
Der Kern des Teams hat die Yandex-Schule für Datenanalyse (ShAD), Yandex.Uchebnik und Olympiade-Programme mit aufgebaut; die Mentorinnen und Mentoren sind aktive Ingenieurinnen und Ingenieure bei Google Zurich sowie Research-Ingenieurinnen und -Ingenieure aus der Industrie. Die Zusammensetzung wird noch festgelegt. bestätigt in Abstimmung.
Staff Software Engineer bei Google Zurich, Gold bei der IOI 2004, Silber beim ICPC 2007, Mitbegründer des Olympiade-Programms „Pelikan".
Legendärer Competitive Programmer (Rekordhöchststand im TopCoder-Rating), Software Engineer bei Google Zurich, Champion bei IOI, ICPC, Google Code Jam und Facebook Hacker Cup.
Chief Data Scientist bei Juno AI, Doktorand an der HSE; Graph ML, NLP und LLM-Agenten, Publikationen bei NeurIPS/RecSys (Identifikation vorläufig).
Zusätzliche Kurse, aus denen die Wahlmodul-Slots jedes Semesters gebildet werden. Regel (Entwurf): in den Semestern 1–3 jeweils ein Wahlmodul-Slot; die Wahl erfolgt zu Semesterbeginn, der Kurs startet bei Erreichen der Mindestgruppengröße, Priorität nach Bewerbungsreihenfolge.
Ehrlicher Status: Ein Teil der Parameter wird noch von der Arbeitsgruppe diskutiert – solche Stellen sind mit „wird noch festgelegt" gekennzeichnet, nicht verborgen.