Образовательная программа не актуальна

7M06106 Наука о данных (2) в МУИТ (IITU)

Дисциплины

  • Глубокое обучение в компьютерном зрении

    Цель этого курса - познакомить магистрантов с компьютерным зрением, начиная с основ и затем переходя к более современным моделям глубокого обучения. Мы рассмотрим распознавание изображений и видео, включая классификацию и аннотации изображений, распознавание объектов и поиск изображений, различные методы обнаружения объектов, оценку движения, отслеживание объектов в видео, распознавание действий человека и, наконец, стилизацию изображения, редактирование и генерацию нового изображения. В рамках курсового проекта магистранты узнают, как построить систему распознавания лиц и манипулирования ими, чтобы понять внутреннюю механику этой технологии, вероятно, наиболее известную и часто демонстрируемую в фильмах и телешоу на примере компьютерного зрения и искусственного интеллекта.

    Год обучения - 1
    Семестр - 1
    Кредитов - 5
  • База данных Oracle 11g: Основы PLSQL (Oracle)

    Этот курс знакомит с изучением систем управления базами данных, фактически работающих с PL SQL. Курс демонстрирует некоторые возможности программирования PL SQL. У студентов будут некоторые общие задачи, которые возникают при работе со структурированными данными. В ходе этого курса студенты учатся создавать подпрограммы как процедуры и функции, работать с простыми и сложными типами данных, работать с курсорами, использовать триггеры в своем коде.

    Год обучения - 1
    Семестр - 1
    Кредитов - 5
  • Базы данных: Продвинутый

    Целью освоения дисциплины «Базы данных продвинутый курс» является развитие у студентов профессиональных навыков по проектированию реляционных моделей баз данных, по общим принципам построения и функциональным особенностям основных систем управления базами данных (СУБД), представленным на рынке ПО, построению информационных систем на основе архитектуры «клиент-сервер» с использованием систем управления базами данных, особенностям языка SQL.

    Год обучения - 1
    Семестр - 1
    Кредитов - 5
  • Python/R для анализа данных

    Целью курса является получение навыков программирования для построения предиктивных моделей, визуализации данных и работы с нейросетями на языке Python/R при решении практических задач.

    Год обучения - 1
    Семестр - 1
    Кредитов - 5
  • Введение в HPC с Mpi для DS

    Целью курса является приобретение навыков по параллельному программированию для высокопроизводительных вычислениях с использованием стандартов интерфейса передачи сообщений (MPI) и по высокопроизводительной аналитике данных на компьютерных кластерах.

    Год обучения - 1
    Семестр - 1
    Кредитов - 5
  • Методы математического моделирования

    Целью данного курса является изучение приближенных методов решения различных прикладных задач гидродинамики и газодинамики. Каждый метод сопровождается составлением алгоритма и разработкой программного продукта. Исследование различных свойств методов на основе вычислительных экспериментов.

    Год обучения - 1
    Семестр - 1
    Кредитов - 5
  • Педагогика высшей школы

    Целями освоения дисциплины «Педагогика высшей школы» являются – предоставить знания об управлении учебным процессом для преподавания в высшей школе, дать представление об основных категориях педагогики, о месте, роли и значении педагогики высшей школы в системе наук о человеке и в практической деятельности педагога, сформировать понимание о базовых принципах современной педагогики и методических подходах к решению педагогических задач высшей школы.

    Год обучения - 1
    Семестр - 1
    Кредитов - 4
  • История и философия науки

    Цель дисциплины сформировать навыки работы с литературой научного характера; навыки логического, системного и критического мышления. В дисциплине будут изучены: основные этапы развития науки; история и философия науки для формирования осознанного отношения к окружающей среде и истории, основные принципы научно-исследовательской деятельности.

    Год обучения - 1
    Семестр - 1
    Кредитов - 4
  • Численное моделирование с использованием Python для DS

    Целью курса является изучение и применение таких методов, как метод конечных разностей, псевдоспектральный метод, метод линейных и спектральных элементов к 1D (или 2D) скалярному волновому уравнению, алгоритм которых написан на языке Python. Основное внимание уделяется иллюстрации фундаментальных математических составляющих различных численных методов (например, рядов Тейлора, рядов Фурье, дифференцирования, интерполяции функций, численного интегрирования) и тому, как они сравниваются.

    Год обучения - 1
    Семестр - 1
    Кредитов - 5
  • Машинное обучение 1

    Этот курс изучает основные типы задач, решаемых с помощью машинного обучения — в основном речь пойдёт о классификации, регрессии и кластеризации. Дает знание об основных методах машинного обучения и их особенностях, научит оценивать качество моделей — и решать, подходит ли модель для решения конкретной задачи. Знакомит с современными библиотеками, в которых реализованы обсуждаемые модели и методы оценки их качества.

    Год обучения - 1
    Семестр - 1
    Кредитов - 5
  • Иностранный язык (профессиональный)

    Это практический курс продолжительностью один семестр, который адаптирует программу английского языка к профессиональным/исследовательским потребностям магистрантов. В рамках курса магистранты будут работать над индивидуальным проектом и исследовательским портфолио. К концу курса магистранты должны организовать и представить портфолио по своим исследованиям.

    Год обучения - 1
    Семестр - 2
    Кредитов - 4
  • Конечно-разностные методы для уравнений в частных производных

    Цель курса дать студентам знания о конечно-разностных методах решения начально-краевую задачу поставленной для уравнений параболического, гиперболического и эллиптического типов.

    Год обучения - 1
    Семестр - 2
    Кредитов - 5
  • Методы оптимизации для приложений DS

    Этот курс предлагает введение в нелинейную математическую оптимизацию с приложениями в области науки о данных. Теоретические основы и фундаментальные алгоритмы нелинейной оптимизации изучаются и применяются к моделям контролируемого обучения, включая нелинейную регрессию, логистическую регрессию, машины опорных векторов и глубокие нейронные сети. Студенты пишут свою собственную реализацию алгоритмов на языке программирования Python и исследуют их производительность на реалистичных наборах данных.

    Год обучения - 1
    Семестр - 2
    Кредитов - 5
  • Машинное обучение 2

    Целью курса является углубленное изучение методов применения машинного обучения для решения практических задач.

    Год обучения - 1
    Семестр - 2
    Кредитов - 5
  • Психология управления

    Цель курса - фундаментальное изучение современных трактовок предмета и основных категорий психологической науки; работа с психологическими механизмами управления и закономерностями межличностного взаимодействия в условиях профессиональной деятельности; обоснование актуальности психологического знания в решении практических вопросов в жизнедеятельности человека; развитие системного, творческого мышления будущего специалиста, исследовательской культуры и потребности в непрерывном самообразовании и саморазвитии.

    Год обучения - 1
    Семестр - 2
    Кредитов - 4
  • Математическое моделирование кибербезопасности

    Целью курса является применение методов математического моделирования для решения задач кибербезопасности.

    Год обучения - 1
    Семестр - 2
    Кредитов - 5
  • Продвинутый анализ данных

    Магистрант получит глубокое понимание параллельной обработки массивных данных, их исследования и визуализации, а также передового машинного обучения и глубокого обучения. Понимание математические основы всех алгоритмов машинного обучения и глубокого обучения. Магистрант может применять знания в практических случаях использования, обосновывать архитектурные решения, понимать характеристики различных алгоритмов, структур и технологий и то, как они влияют на производительность и масштабируемость модели.

    Год обучения - 1
    Семестр - 2
    Кредитов - 5
  • Основы научно-исследовательской работы

    Изучение видов научных исследований, методологии научного познания, проведения исследований, формирования выводов и заключений, написания научных статей и докладов на конференции, обобщения результатов научно-исследовательской работы в диссертации, ее структуры и содержания.

    Год обучения - 1
    Семестр - 2
    Кредитов - 5
  • Проблема переобучения нейронных сетей, аугментация данных

    Первое занятие по нейронным сетям - введение в нишу, путь разработчика в области машинного обучения, математическая модель нейрона, принципы обучения нейронной сети и обучение первой нейронной сети на примере распознавания цифр.

    Год обучения - 2
    Семестр - 1
    Кредитов - 5
  • Математическое моделирование перечислительной комбинаторики

    Целью курса является приобретение навыков применения методов перечислительной комбинаторики к научным исследованиям в различных областях. Курс охватывает такие темы, как биномиальные коэффициенты, формула включения и исключения, нелинейное повторение: многогранность каталонских чисел, производящие функции, генерирующие функции, производящая функция Эйлера для разбиений и пятиугольная формула.

    Год обучения - 2
    Семестр - 1
    Кредитов - 5
  • Исследовательский анализ и визуализация данных

    Цель курса-сделать акцент на инструментах и методах визуальной бизнес-аналитики, которые помогут вам лучше использовать ваши ценные информационные ресурсы. Визуализация-это инструмент для изучения тенденций, взаимосвязей, подтверждения гипотез, передачи результатов и получения информации о данных. Этот курс будет сосредоточен на обучении участников принципам и методам создания интерактивных визуальных представлений из необработанных данных, в частности для количественного анализа.

    Год обучения - 2
    Семестр - 1
    Кредитов - 5
  • Методы машинного обучения в решениях обратных задач

    Цель курса дать студентам знания о методах решения обратных и некорректных задач широко применяемых на практике и производстве с помощью машинного обучения, основанной на математическое моделирование процессов происходящие выбранного участке исследуемого объекта.

    Год обучения - 2
    Семестр - 1
    Кредитов - 5
  • Прикладное глубокое обучение

    Цель этого курса - познакомить магистрантов с компьютерным зрением, начиная с основ и затем переходя к более современным моделям глубокого обучения. Мы рассмотрим распознавание изображений и видео, включая классификацию и аннотации изображений, распознавание объектов и поиск изображений, различные методы обнаружения объектов, оценку движения, отслеживание объектов в видео, распознавание действий человека и, наконец, стилизацию изображения, редактирование и генерацию нового изображения. В рамках курсового проекта магистранты узнают, как построить систему распознавания лиц и манипулирования ими, чтобы понять внутреннюю механику этой технологии, вероятно, наиболее известную и часто демонстрируемую в фильмах и телешоу на примере компьютерного зрения и искусственного интеллекта.

    Год обучения - 2
    Семестр - 1
    Кредитов - 5
  • Параллельные вычисления

    Целью курса является изучение основные архитектуры МВС, с двумя стандартами (OpenMP и MPI), разработка параллельных программ для систем с общей и распределенной памятью. На практических примерах будут разобраны основные конструкции и способы распределения работы.

    Год обучения - 2
    Семестр - 1
    Кредитов - 5
  • Искусственный интеллект для социального блага

    Студенты будут изучать и применять передовые методы искусственного интеллекта в реальных социальных благах таких как здравоохранение, образование и окружающая среда. Цель этого занятия, состоит в том, чтобы дать студентам возможность применять эти методы вне аудитории. Класс будет сосредоточен на методах машинного обучения и глубокого обучения, включая регрессию, машины опорных векторов (SVM), нейронные сети, сверточные нейронные сети (CNNs) и рекуррентные нейронные сети (RNNs). Курс чередуется с лекциями по теории машинного обучения и дискуссиями которые будут предлагать студентам применять методы в своих областях социального блага.

    Год обучения - 2
    Семестр - 1
    Кредитов - 5
  • Байесевская статистика и анализ

    Курс предназначен для знакомство с байесовскими методами статистики и приобретение навыков их применения для решения практических задач.

    Год обучения - 2
    Семестр - 1
    Кредитов - 5
  • Прикладной многомерный статистический анализ

    В курсе рассмотрены базовые вопросы статистического анализа: построение доверительных интервалов, тестирование гипотез, регрессионный и дисперсионный анализ. Также курс затрагивает некоторые современные методы регресионного анализа: регрессия на основе гауссовых процессов и обобщённые линейные модели.

    Год обучения - 2
    Семестр - 1
    Кредитов - 5

Результаты обучения

  • Проявлять коммуникабельность, инициативность и психологическую подготовленность к трудовой деятельности, в том числе при работе в команде и принимать управленческие и технические решения
  • Извлекать нужную информацию из всевозможных источников, включая информационные потоки в режиме реального времени
  • Аргументировать выбор основных стандартов, принципов и шаблонов проектирования, методов, инструментов и языков программирования, в том числе выбирать методы и средства построения систем защиты информации современных ИКТ
  • Применять методологии исследования в области науки о данных
  • Разрабатывать и/или использовать программное, аппаратное, информационное, математическое, функциональное обеспечение информационных систем, в том числе алгоритмы и методы информационной безопасности
  • Строить математическую модель энергетических задач
  • Строить 3D визуализацию
  • Применять математические модели и методы различных процессов
  • Создавать математические модели с использованием методов современных информационных технологий
  • Решать прикладные задачи по обработке и анализу данных на предмет выявления в них скрытых зависимостей
  • Проводить комплексный анализ и аналитически обобщать результаты научно-исследовательских работ с использованием современных достижений науки и техники, навыки самостоятельного сбора данных, изучения, анализа и обобщения.
Top