7M05404 Прикладная статистика и Data Science в ЕНУ им. Л. Н. Гумилева

Дисциплины

• Педагогика высшей школы

  Цель дисциплины направлена на формирование у обучающихся системы педагогических знаний и практических умений, необходимых для эффективной профессионально-педагогической деятельности в высшем образовании, с учетом современных требований к преподавателю вуза, включая владение методикой преподавания, педагогическими технологиями и методами обучения. В содержании дисциплины рассматривается основные тенденции и процессы развития, определяющие сущность современного высшего образования; структуру и особенности педагогического процесса в высшем учебном заведении; современные педагогические технологии, методику преподавания, методы и формы организации учебной и воспитательной работы.

  Год обучения - 1
  Семестр - 1
  Кредитов - 4
  

• Эконометрическое моделирование (продвинутый уровень)

  Дисциплина «Эконометрическое моделирование (продвинутый уровень)» необходима для овладения новыми методами исследования, теоретическими основами построения надежных прогнозов, объяснения сути исследуемых явлений, прогноза их развития, выявление возможностей исправления моделей, получения более надежной информации; формирование у обучающегося углубленной системы знаний в области эконометрических методов исследования социально-экономических процессов; определения направлений развития объектов эконометрического моделирования на основе построенных эконометрических моделей.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• Системы управления базами данных и SQL (продвинутый уровень)

  Курс нацелен на изучение и практическое освоение современных систем управления базами данных (СУБД). Магистранты изучают основные принципы организации СУБД, технологии создания баз данных, хранения данных и обработки данных средствами СУБД. Практическая часть курса посвящена решению задач с применением SQL (Структурированный язык запросов), который необходим чтобы управлять базами данных и находить нужную информацию. В результате освоения дисциплины магистрант должен знать: основные схемы, применяемые при проектировании и использовании современных баз данных, иметь основные понятия о системах управления данными, навыки работы с СУБД MS SQL Server, понимать проблематику предметной области, свободно ориентироваться в основных понятиях и концепциях баз данных. Должен уметь классифицировать задачи обработки информации при использовании СУБД различного типа, работать с реляционными алгебрами, строить простые логические схемы для использования реляционных СУБД, проектировать схемы баз данных с использованием метода ER-диаграмм. Должен владеть терминологией теории реляционных баз данных, языком запросов SQL, формулировать основные задачи по созданию таблиц, вводу и модификации данных, поиску информации в виде команд языка SQL.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• Анализ данных на языке Python

  Теоретические и практические основы технологий объектно-ориентированного программирования в Python. Современные методы и средства анализировать данные. Библиотека Matplotlib, NumPy. OpenCV. Программирование в среде IDLE. Цель: Освоение практических особенностей процесса объектно-ориентированного программирования в среде IDLE; Владеть практическими навыками программирования в среде IDLE; Уметь использовать библиотеки Python; Иметь навыки анализировать данные в среде IDLE.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• Виртуализация и облачные технологии

  Цель дисциплины - сформировать компетенции в области виртуализации и применения облачных технологий при разработке программного обеспечения. В результате магистрант должен знать функциональность, принципы и механизмы создания облачных хранилищ, типы развертывания облачных вычислений, инструменты разработки сервисов на облачных платформах Yandex.Cloud, Apple iCloud, Google Drive, Microsoft Azure и др. Уметь выбирать оптимальные облачные сервисы и модели обслуживания для облачных вычислений и разработки программного обеспечения. Иметь практические навыки виртуализации и использования сервисов на облачных платформах Yandex.Cloud, Apple iCloud, Google Drive, Microsoft Azure и др. для решения задач профессиональной деятельности.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• Проектный менеджмент

  Использование теоретических знаний и практических навыков в области менеджмента проектов дает возможность на практических примерах и заданиях закрепить ключевые навыки, необходимые для успешного руководства проектами в организациях различных отраслей народного хозяйства в современных условиях, на модельном примере принимать решения по различным вопросам управления проектом, руководствуясь систематизированными рекомендациями, основанными на лучших мировых практиках.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• Программные средства статистического анализа данных

  В результате изучения курса магистранты будут владеть инструментами анализа статистических данных и уметь применять полученные результаты для принятии управленческих решений. Программные средства статистического анализа данных ускоряют процессы их обработки и снижают трудоемкость вычислений. Разные программные продукты для статистической обработки данных обладают своими индивидуальными возможностями при формировании базы данных, визуализации результатов исследований в экономических и социальных науках.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• Психология управления

  В передовых критериях становления общества растет роль психического содержания процесса управления. В ходе исследования курса учащиеся ознакомятся с передовыми представлениями о роли и многоаспектном содержании психического компонента управленческой работы, а еще получат практические способности управления поведением людей в организации, которые они сумеют применить в собственной грядущей профессиональной работы.

  Год обучения - 1
  Семестр - 1
  Кредитов - 4
  

• Анализ данных на языке R

  Целью курса – показать возможности программирования в области статистики с использованием методов машинного обучения. По окончании курса, магистранты должны знать: основные концепции машинного обучения, такие как обучение с учителем и без учителя, классификация, регрессия и кластеризация. Методы разделения данных на обучающую и тестовую выборки для оценки производительности моделей. Работу с различными алгоритмами машинного обучения, доступными в R, такими как деревья решений, случайные леса, метод опорных векторов и нейронные сети. Магистранты должны уметь: применять алгоритмы машинного обучения для решения задач классификации и регрессии в R. Выполнять предварительную обработку данных и подготавливать их для обучения моделей машинного обучения.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Иностранный язык (профессиональный)

  Целью курса «Иностранный язык (профссиональный)» является формирование межкультyрно- коммуникативной компетенции магистрантов неязыковых специальностей в процессе иноязычного образования на уровне сверхбазовой стандартности (С l ). Курс предусматривает овладение нормами академического письма, развитие навыков критического анализа, подготовки научных обзоров, аннотаций, составления рефератов и библиографий по тематике проводимых исследований.

  Год обучения - 1
  Семестр - 2
  Кредитов - 4
  

• История и философия науки

  Курс «История и философия науки» формирует у магистрантов культуру научного мышления, развивает аналитические способности и навыки исследовательской деятельности.

  Год обучения - 1
  Семестр - 2
  Кредитов - 4
  

• Байесовский метод и их приложения

  В процессе изучения курса обучающиеся знакомятся с такими основными понятиями как вероятностно-статистические методы принятия решения, обобщённая формула Байеса, метод последовательного анализа Вальда, методы вероятностно-статистических решений как минимального риска, минимального числа ошибочных решений, наибольшего правдоподобия, минимакса, Неймана-Пирсона. Изучаются основные задачи практического применения Байесовского метода.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Технологии и инструменты Big Data

  Цель данного курса – дать совокупность инструментов, подходов и методов обработки как структурированных, так и неструктурированных данных огромного размера для дальнейшего их использования. В результате обучения магистрант должен знать методы анализа и хранения больших объемов данных, этапы жизненного цикла обработки больших данных, языки, наиболее приспособленные для обработки и аналитики больших данных, способы организации хранения и доступа к большим данным; уметь выполнять элементы анализа данных и интерпретировать результаты, различать характеристики SQL и NoSql БД, формулировать алгоритмы в парадигме MapReduce, выбрать подходящий инструмент анализа больших данных, выбрать подходящую технологию хранения больших данных.; владеть математическими методами анализа больших данных, языками и компьютерными методами обработки.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Визуализация данных на Power BI

  Цель данного курса - изучить принципы и структуру Power BI, набор программных сервисов Microsoft, которые работают вместе, превращая несвязанные источники данных в целостные интерактивные отчеты. При этом источником могут быть базы данных, файлы Excel, данные из облачных источников и интернета, текстовые файлы и так далее. В результате обучающий должен знать структуру Power Query, ETL, синтаксис языка M, контекст фильтра, контекст строки и Advanced формулы DAX. Уметь разрабатывать реляционную модель данных, полезные шаблоны с помощью DAX. Иметь навыки строить интерактивные дашборды в Power BI и работать с ними, разбираться с визуализацией данных под бизнес-запросы, настраивать совместную работу с отчетами и персонализировать их.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Нейросетевое моделирование и прогнозирование в финансовом инжиниринге

  Разработка математических и вычислительных инструментов для анализа и управления финансовыми активами и оптимизации портфеля ценных бумаг. Применение нейронных сетей для прогнозирования данных финансовых временных рядов (цены на акции, обменные курсы и цены на сырьевые товары), для оценки кредитного риска и обнаружения мошенничества. Результатом изучения курса будет расширение возможностей обработки огромных объемов рыночных данных и принятия решений на современном финансовом рынке. Магистрант должен знать: современные тенденции управляемости портфеля ценных бумаг, включая теоремы о разорении, методы прогнозирования доходности акций и классификацию облигаций или присвоение кредитного рейтинга. Уметь: оценивать кредитоспособность отдельных лиц или предприятий, обрабатывая различные финансовые и нефинансовые данные, выявлять аномалии и необычные закономерности в финансовых транзакциях.

  Год обучения - 2
  Семестр - 1
  Кредитов - 6
  

• Теория дифференциальных игр и численные методы статистики

  Цель данного курса состоит в том, чтобы предоставить студентам глубокие знания и практические навыки в области теории дифференциальных игр и численных методов статистики. Студенты овладеют теоретическими основами дифференциальных игр, включая моделирование стратегических взаимодействий, оптимальное управление и принятие решений в условиях неопределенности. Кроме того, они освоят основные численные методы, используемые для анализа статистических данных, включая методы регрессии, кластеризации, классификации и анализа временных рядов. Результатом курса является разработка моделей дифференциальных игр и применение численных методов статистики в различных областях, таких как экономика, управление, финансы, социальные науки и многие другие.

  Год обучения - 2
  Семестр - 1
  Кредитов - 6
  

• Машинное и глубокое обучение в обратных задачах на графах

  Цель курса – изучить теоретическое обоснование обратных задач с конечным числом распределенных параметров на графах с последующей оценкой неизвестных параметров, сигналов или структур на основе наблюдаемых данных. Постановки задач тщательно отобраны с точки зрения новых подходов к теории обратных задач с целью расширения их применений в биологических сетях. Результатом изучения курса будут современные тенденции решения обратных задач на графах, такие как сверхточные сети графов, регуляризация и Лапласиан графа, сжатое измерение на графах, глубокие генеративные модели. Магистрант должен знать: теоремы об управляемости систем на графах, теоремы об операторах отклика, восстановления топологии и длин ребер графа. Магистрант должен уметь владеть методом граничного управления и рекурсивным методом, строить алгоритмы восстановления источника на графах с компьютерной реализацией.

  Год обучения - 2
  Семестр - 1
  Кредитов - 5
  

• Методы инвестиционного проектирования

  Цель дисциплины - сформировать у магистрантов общие навыки проведения системных исследований инвестиционной привлекательности субъекта хозяйствования и выработки системных решений управления инвестиционным проектом на основе экономико-математических моделей. В результате магистрант должен знать экономическую сущность и виды инвестиций, методы моделирования и прогнозирования инвестиционных проектов. Уметь использовать методы управления инвестиционными проектами, формировать и аргументировать причины и способы решения проблем развития и управления инвестиционным процессом. Иметь навыки формализованного описания инвестиционного процесса. Иметь способность генерировать варианты управленческих решений и обосновывать выбор наилучшего для оптимизации инвестиционного проектирования.

  Год обучения - 2
  Семестр - 1
  Кредитов - 6
  

• Многомерный статистический анализ

  В процессе изучения курса обучающиеся знакомятся с такими основными понятиями как вероятностно-статистические методы принятия решения, обобщённая формула Байеса, метод последовательного анализа Вальда, методы вероятностно-статистических решений как минимального риска, минимального числа ошибочных решений, наибольшего правдоподобия, минимакса, Неймана-Пирсона. Изучаются основные задачи практического применения Байесовского метода.

  Год обучения - 2
  Семестр - 1
  Кредитов - 5
  

• Моделирование и управление рисками в условиях неопределенности

  Целью дисциплины является изучение и освоение студентами теории и методов принятия решений в экономике и бизнесе в условиях неопределенности и риска. Знать стандартные математические модели риска. Уметь на основе описания рисковых ситуаций строить стандартные математические модели риска, анализировать и содержательно интерпретировать полученные результаты. Владеть навыками решения задач в условиях риска и неопределенности.

  Год обучения - 2
  Семестр - 1
  Кредитов - 5
  

• Метод Монте – Карло и их приложения

  Обьяснить магистрантам понятие метод Монте-Карло как метода моделирования случайных величин с целью вычисления характеристик их распределений. Ознакомить общей схемой метода Монте-Карло и освоить методов оценки погрешности. Рассмотреть осуществление вычисление интегралов методом Монте-Карло и способы понижения их дисперсии.

  Год обучения - 2
  Семестр - 1
  Кредитов - 5
  

• Стохастические модели актуарной математики

  Разработка стохастических моделей для анализа и прогнозирования неопределенных будущих событий и их финансовых последствий в страховых компаниях. Результатом изучения курса будет расширение возможностей оценки и управления доходностью и риском компании. Магистрант должен знать стохастические модели выживания в процессе страхования жизни, такие как распределение Вейбулла и Гомпертца-Мейкхема, распределение Пуассона для моделирования количества претензий, модели резервирования, модели снижения смертности. Магистрант должен уметь оптимизировать механизмы перестрахования, определять оптимальный уровень передачи рисков перестраховщикам на основе склонности страховщика к риску и целей управления капиталом.

  Год обучения - 2
  Семестр - 1
  Кредитов - 6
  

• Имитационное моделирование и СМО

  В процессе изучения обучающиеся знакомятся с основными методами имитационного моделирования в системе массового обслуживания – модели подобия, моделирование структуры объекта и моделирование поведения. этапы создания имитационной модели, универсальная структура программы моделирования. Изучаются основные задачи практического приложения имитационного моделирования.

  Год обучения - 2
  Семестр - 1
  Кредитов - 6
  

Профессии

Результаты обучения

• Анализировать основные мировоззренческие и методологические проблемы, в том числе междисциплинарного характера, исследуемые в науке на современном этапе ее развития и использовать результаты в профессиональной деятельности
• Владеть современными педагогическими технологиями и обладать коммуникативными способностями
• Осуществлять профессиональное и личностное самообразование, разрабатывать дальнейшие образовательные маршруты и профессиональную карьеру; выполнять профессиональную коммуникацию в устной и письменной формах на русском, казахском и иностранном языках для решения задач профессиональной деятельности; проявлять готовность взаимодействовать с участниками образовательного процесса и социальными партнерами, возглавлять коллектив, принимая во внимание социальные, этноконфессиональные и культурные различия.
• Использовать навыки к анализу статистических данных и управления динамическими системами с помощью байесовских методов и метода Монте-Карло, освоить численные методы статистики и методы имитационного моделирования, применяемыми при исследовании проблем естествознания, определяющих передовые рубежи развития фундаментальной и прикладной науки.
• Уметь применять практические навыки подготовки, отладки и решения разнообразных прикладных задач на современных компьютерах с использованием популярных языков высокого уровня Python и R, знать комплекс аппаратных и программных средств, предназначенные для хранения и оперативной обработки информации, владеть технологией Big Data и современными программными средствами анализа и визуализации статистических данных.
• Анализировать, формулировать и решать значимые проблемы фундаментальной и прикладной математики, актуальных задач экономики и финансов с применением искусственного интеллекта: машинного и глубокого обучения, а также нейросетевого моделирования.
• Формировать теоретические знания по стохастическому моделированию актуарных процессов, а также алгоритмов управления рисками и инвестиционными проектами, владеть навыками построения сложных эконометрических моделей, а также знать и понимать принципы многомерного статистического анализа.