7M07115 Машинное обучение и анализ данных в КазНУ им. аль-Фараби

Цель – формирование способности к педагогической деятельности в вузе на основе знаний дидактики высшей школы, теорий воспитания и менеджмента образования, анализа и самооценки преподавательской деятельности. Курс рассматривает проектирование образовательной деятельности будущего преподавателя с применением КТО, реализации Болонского процесса, овладения лекторским, кураторским мастерством с использованием стратегий и методов обучения/воспитания и оценивания (TLA-стратегий).

Цель дисциплины состоит в формировании способности применять статистические методы и модели машинного обучения для предиктивного анализа данных. Содержание дисциплины: Подходы для предиктивного анализа данных. Статистические методы для анализа данных. Обработка данных. Машинное обучение для предиктивного анализа. Поиск закономерностей и взаимосвязей в больших хранилищах данных. Прогнозное моделирование. Оценка и развертывание модели. Инструменты визуализации.

Цель дисциплины состоит в формировании способности применять методы получения, преобразования и предобработки данных, разрабатывать программное обеспечение для анализа и визуализации данных. Содержание дисциплины: Преобразование необработанных данных в структурированный вид. Разработка конвейера анализа данных. Обработка данных. Визуализация данных. Взаимодействие с фреймворками машинного обучения. Разработка программного обеспечения для анализа и визуализации данных.

Курс вводит в проблематику феномена науки как предмета специального философского анализа, формирует знания об истории и теории науки; о закономерностях развития науки и структуре научного знания; о науке как профессии и социальном институте; о методах ведения научных исследований; о роли науки в развитии общества.

Цель дисциплины состоит в формировании способности применять инструменты и методы, необходимые для предложения алгоритмических решений реальных задач, которые имеют строгие теоретические ограничения использования времени и пространства. В рамках дисциплины рассматриваются следующие аспекты: асимптотическая запись, рекурсия, парадигма «разделяй и властвуй».

Цель дисциплины состоит в формировании способности выполнять анализ и обработку данных с помощью MATLAB, создавать приложения для прогнозного моделирования. В рамках дисциплины рассматриваются следующие аспекты: Принципы обработки и анализа данных Импорт данных. Визуализация и фильтрация данных. Выполнение расчетов.

Цель дисциплины состоит в формировании способности строить, обучать и применять глубокие нейронные сети для решения задач анализа данных, требующих больших вычислительных ресурсов. Содержание дисциплины: Архитектура нейронных сетей. Неглубокие нейронные сети. Ключевые вычисления, лежащие в основе глубокого обучения. Построение и обучение глубоких нейронных сетей. Настройка гиперпараметров, регуляризация и оптимизация. Оценка качества обучения.

Цель дисциплины состоит в формировании способности применять современные многомерные статистические методы и современные программные системы при решении задач анализа различных процессов и явлений. В рамках дисциплины рассматриваются следующие аспекты: Вероятностные модели для одномерных и многомерных случайных величин.

Цель дисциплины состоит в формировании способности реализовывать высокоэффективные алгоритмы и структуры данных для фундаментальных вычислительных задач в различных областях. В рамках дисциплины рассматриваются следующие аспекты: Основные алгоритмы: асимптотическая запись, рекурсия, парадигма «разделяй и властвуй», базовые структуры данных. Сбалансированные бинарные деревья, 2-3 дерева, B-деревья, структуры для множеств, хеширование, сжатие текста (кодирование Хаффмана). Применение алгоритмов максимального потока Рандомизированный выбор и сортировка. Автоматы, сопоставление строк (алгоритм Бойера и Мура, алгоритм Кнута-Морриса-Пратта), сопоставление с образцом. Классы сложности P и NP, NP-полнота, некоторые NP-полные задачи. Стратегии параллельного дизайна. Алгоритмы распределенных вычислений.

Эффективное общение в академической среде, представление научных обзоров и результатов оригинальных исследования. Особенности научного дискурса. Научная терминология, использование терминов в научном тексте. Формирование навыков поиска научной информации в сфере медицинских исследований. Оформление научного текста, правила цитирования, варианты оформления сносок. Особенности написания резюме, аннотации, реферата, рецензии.

Цель – сформировать способность применять важнейшие аспекты сферы управления в процессе профессионального становления. В рамках курса раскрываются предмет, основные принципы психологии управления, личность в управленческих взаимодействиях, управление поведением личности, психология управления групповыми явлениями и процессами, психологические особенности личности руководителя, индивидуальный стиль управления, психология влияния в управленческой деятельности, управление конфликтными ситуациями.

Цель дисциплины состоит в формировании способности использовать методы и приложения обнаружения шаблонов в интеллектуальном анализе данных, создавать и интерпретировать визуализацию. В рамках дисциплины рассматриваются следующие аспекты: История развития визуализации. Основные понятия и направления в визуализации. Данные: абстракции данных и их типы. Алфавит визуализации. Эскизирование и проектирование визуализационных решений. Визуальное восприятие человека. Осознание образов. Восприятие цвета. Задачи: абстракции задач и способы их постановки. Человеко-компьютерное взаимодействие. Визуализация данных. Сети и графы. Визуализация текста и документов. Визуализация пространственных данных. Объемы, потоки, карты. Социальная визуализация. Анализ социальных данных. Визуализация для социума. Визуализация и искусство. Визуализация как искусство.

Цель дисциплины: сформировать способность применения практических навыков организации и планирования научного исследования, систематизировать и применять знания о направлениях научных исследований. Дисциплина изучает: формы и методы планирования, организации и оформления научных статей и диссертации; формы обобщения результатов научных исследований в презентациях, выступлениях, проектах, статьях.

Цель дисциплины состоит в формировании способности применять концепции статистического анализа и более продвинутых процедур статистического моделирования с использованием языка программирования Python для интерпретации и анализа данных. В рамках дисциплины рассматриваются следующие аспекты: Методы статистического моделирования. Корреляционный анализ. Регрессионный анализ. Канонический анализ. Методы сравнения средних. Частотный анализ. Кросстабуляция (сопряжение). Иерархические и многоуровневые модели и методы байесовского вывода.Анализ соответствий. Кластерный анализ. Дискриминантный анализ. Факторный анализ. Деревья классификации. способы использования Python в качестве инструмента, включая библиотеки Numpy, Pandas, Statsmodels, Matplotlib и Seaborn. Создание визуализации и управление данными в Python. Анализ главных компонент и классификация. Многомерное шкалирование.

Курс охватывает следующие аспекты: Архитектура глубоких нейронных сетей. Настройте гиперпараметры и платформы глубокого обучения. Сверточные нейронные сети, их приложения. Классификация объектов и подобные методы. Сверточные нейронные сети, их приложения. Рекуррентные нейронные сети, их приложения. Параллельные алгоритмы глубокого обучения. Ускорение обучения нейронной сети

Цель дисциплины состоит в формировании способности использовать инструменты манипулирования данными для решения задач машинного обучения, разрабатывать алгоритмы для интеллектуального анализа данных. В рамках дисциплины рассматриваются следующие аспекты: Логические методы: решающие деревья и решающие леса. Метрические методы классификации. Линейные методы, стохастический градиент.

Цель дисциплины сформировать способность оценивать особенности промышленных данных, разрабатывать методы машинного обучения для анализа и визуализации промышленных данных. Содержание дисциплины: Промышленные данные. Платформы промышленных данных. Использование промышленных данных. API интеграции. Методы машинного обучения для промышленных данных. Обучение с учителем. Обучение без учителя. Обучение с подкреплением. Мониторинг состояния и цифровые двойники

Цель дисциплины состоит в формировании способности создавать инфраструктуру и средства интеграции систем, приложений и сервисов для обработки больших данных. Содержание дисциплины: Технологии распределенных вычислений. Распределенные файловые системы. Проектирование инфраструктуры больших данных. Разработка и поддержка средств интеграции систем, приложений и сервисов. Пакетная обработка больших данных. Потоковая обработка больших данных. Интерактивная обработка больших данных. Оптимизация размещения больших данных.

Цель дисциплины состоит в формировании способности применять инженерию машинного обучения и инфраструктуру облачных вычислений для создания облачных приложений прогнозной аналитики. Содержание дисциплины: Основы облачных вычислений. Базовая инфраструктура облачных вычислений. Облачная виртуализация. Контейнеры и API. Облачная инженерия данных. Использование AutoML. Стратегии MLOps и передовые методы разработки облачных решений. Стратегии Edge Machine Learning. Использование AI API.

Цель дисциплины сформировать способность применять различные алгоритмы кластеризации данных для решения прикладных задач, визуализировать сформированные кластеры и анализировать результаты. Содержание дисциплины: Введение в кластеризацию. Метод K-means и модификации. Иерархическая кластеризация. Организация кластеров в виде иерархического дерева. Алгоритм модели гауссовой смеси. Метрики расстояния, используемые в кластеризации. Определение подходящего количества кластеров. Оценка эффективности кластеризации.

Цель дисциплины состоит в формировании способности работать с архитектурами интеграционных платформ, приложениями и сервисами высоконагруженных систем хранения и обработки больших данных. В рамках дисциплины рассматриваются следующие аспекты: Введение в специализированные технологии больших данных. Платформы обработки сверхбольших данных CLAVIRE 2.0. ASPEN – платформа всесторонней оценки систем обработки потоковой информации. Расширенная платформа SparkStreamingс интегрированным механизмом планирования. Оптимизация размещения больших данных. Семантическое хранилище Exarch. Блокчейн технологии в задачах хранения данных.

Цель дисциплины состоит в формировании способности проводить визуальное проектирование нейронных сетей, использовать графический интерфейс для переноса слоев нейронной архитектуры, производить настройку и развертывание моделей с помощью популярных сред глубокого обучения. В рамках дисциплины рассматриваются следующие аспекты: Введение в глубокое обучение. Практические аспекты глубокого обучения. Глубокие сети прямого распространения. Рекуррентные и рекурсивные сети. Продвинутые алгоритмы глубоких нейронных сетей. Настройка гиперпараметров. Регуляризация и оптимизация. Пакетная нормализация и программирование фреймворков. Сверточные нейронные сети. Оптимизация гиперпараметров. Визуальное проектирование нейронных сетей. Защищенная облачная инфраструктура.