Новая образовательная программа

8D06105 Наука о данных в МУИТ (IITU)

  • Цель образовательной программы Основная цель подготовки докторантов по «Data Science» – это научить докторантов: извлечь полезные сведений из большого массива информации; выявление закономерностей из больших массивов информации; проверить гипотезы путем моделирования и разработки нового программного обеспечения. Основные задачи ОП «Data Science», формировать навыки: • умение извлекать необходимую информацию из разнообразных источников; • использовать информационные потоки в режиме реального времени; • устанавливать скрытые закономерности в массивах данных; • статистически анализировать их для принятия грамотных бизнес-решений.
  • Академическая степень Докторантура
  • Языки обучения Английский
  • Срок обучения 3 года
  • Объем кредитов 180
  • Группа образовательных программ D094 Информационные технологии
  • Методы научных исследований
    Кредитов: 4

    Основной целью курса "Методы научного исследования" является ознакомление студентов с основными правилами проведения научного исследования и методами изучения в области информационно-коммуникационных технологий.

    Год обучения - 1
    Семестр 1
  • Обусловленность систем линейных уравнений
    Кредитов: 4

    Целью преподавания дисциплины "Обусловленность систем линейных уравнений" предназначенного для PhD студентов, является исследование на компьютерах спектральных проблем с симметричными матрицами и решения произвольных систем уравнений. Задачи изучения учебной дисциплины: - освоение спектральных проблем с симметричными матрицами и решения произвольных систем уравнений применяемых на практике и в науке; - освоение навыков составления программы и использования коммерческих программ для решения спектральных проблем с симметричными матрицами и решения произвольных систем уравнений и интерпретирование результаты численных расчетов.

    Селективная дисциплина
    Год обучения - 1
    Семестр 1
  • Прикладной статистический анализ
    Кредитов: 4

    Дать аспирантам знания о многообразии современных подходов статистического исследования, исследовать современные статистические методы, привить критический подход при отборе инструментов анализа и осознание необходимости тщательного тестирования статистической адекватности получаемых моделей, а также развить навыки содержательной интерпретации результатов.

    Селективная дисциплина
    Год обучения - 1
    Семестр 1
  • Перечислительная комбинаторика
    Кредитов: 4

    Перечислительная комбинаторика занимается подсчетом числа элементов в конечном множестве S. В этом виде как это определение сформулировано, оно мало говорит о самом предмете, так как фактически любую математическую задачу можно сформулировать в таких терминах. В собственно перечислительной задаче элементы множества S обычно будут иметь очень простое комбинаторные определение и весьма незначительную дополнительную структуру. Выявляется, что множество S содержит много элементов, и главным вопросом будет определение их числа (или оценка его), а не поиск, например какого-нибудь особого элемента. Конечно, существует, много вариантов этой основной задачи, также относящихся к перечислительной комбинаторике.

    Селективная дисциплина
    Год обучения - 1
    Семестр 1
  • Игровое моделирование и приложения
    Кредитов: 4

    Целями освоения дисциплины «Игровое моделирование и приложения» являются освоение профессиональных знаний в области математической теории принятия решений, формирование навыков в области математического моделирования ситуаций конфликта и кооперации. Задачи дисциплины: построение моделей принятия решений в ситуациях конфликта и кооперации, овладение принципами оптимальности в указанных ситуациях, аксиоматическим подходом при математической формализации концепций справедливости и рациональности.

    Селективная дисциплина
    Год обучения - 1
    Семестр 1
  • Академическое письмо
    Кредитов: 5

    Целью изучения дисциплины «Академическое письмо» является развитие у докторантов соответствующих компетенций, направленных на формирование готовности и способности научно-педагогических кадров к реализации собственных исследовательских проектов и представлению их результатов в письменной форме в соответствии с нормами международного академического сообщества.

    Год обучения - 1
    Семестр 1
  • Нелинейные оптимизационные проблемы
    Кредитов: 4

    Целью преподавания дисциплины "Нелинейные оптимизационные проблемы" является обучение PhD студентов методам решения обратных и некорректных задач применяемых в науке данных. Задачи изучения учебной дисциплины: - освоение оптимизационных методов решения обратных и некорректных задач применяемых на практике и в науке; - освоение навыков составления программы и использования коммерческих программ для решения обратных и некорректных задач и интерпретировать результаты численных расчетов.

    Селективная дисциплина
    Год обучения - 1
    Семестр 1
  • Продвинутые проблемы глубокого обучения
    Кредитов: 4

    Глубокое обучение уже трансформировало традиционные интернет-компании, такие как веб-поиск и реклама. Но глубокое обучение также дает возможность создавать новые продукты и предприятия, а также способы помогать людям создаваться. Поэтому сегодня глубокое обучение является одним из самых востребованных навыков в мире технологий. Итак, вот что вы изучаете в этой последовательности курсов, также называемой специализацией «Продвинутые проблемы глубокого обучения». Итак, следуя традиции в этом первом курсе, вы узнаете об основах нейронных сетей, узнаете о нейронных сетях и глубоком обучении. Затем на втором курсе вы узнаете о практических аспектах глубокого обучения. Итак, теперь, когда вы создали свою сеть, вы узнаете, как заставить ее работать эффективно. Затем курс постепенно усложняется с использованием некоторых алгоритмов и методов, таких как регуляризация для глубокого обучения и алгоритм градиентного спуска, а также структура функций нейронной сети, применяющих их одинаково с использованием сверточных нейронных сетей для различных типов обратных задач и их применения в промышленности и экономика.

    Селективная дисциплина
    Год обучения - 1
    Семестр 1
  • Глубокое обучение в прикладной математике
    Кредитов: 4

    Многослойные искусственные нейронные сети становятся все более распространенным инструментом во множестве областей применения. В основе этой революции глубокого обучения лежат знакомые концепции из прикладной и вычислительной математики, особенно из исчисления, теории приближений, оптимизации и линейной алгебры. Этот предмет представляет собой введение в основные идеи, лежащие в основе глубокого обучения с точки зрения прикладной математики. Этот курс был посвящен четырем фундаментальным вопросам: Что такое глубокая нейронная сеть? Как обучается сеть? Что такое стохастический градиентный метод? Как использовать алгоритм глубокой нейронной сети для решения задач с частными дифференциальными уравнениями. Курс иллюстрирует эти идеи с помощью короткого кода MATLAB, который настраивает и обучает сеть. Курс также демонстрирует использование современного программного обеспечения для решения крупномасштабной задачи классификации изображений.

    Селективная дисциплина
    Год обучения - 1
    Семестр 1
  • Педагогическая практика
    Кредитов: 10

    Практические навыки и компетенции в преподавательской деятельности в вузе; ответственность и творческого отношения к научной и научно-педагогической деятельности.

    Год обучения - 1
    Семестр 2
  • Исследовательская практика
    Кредитов: 5

    Исследовательская практика по теме защиты докторской диссертации

    Год обучения - 1
    Семестр 2
  • Исследовательская практика
    Кредитов: 5

    Исследовательская практика по теме защиты докторской диссертации

    Селективная дисциплина
    Год обучения - 2
    Семестр 4
  • Код ON1

    Применять методологии исследования в области науки о данных.

  • Код ON2

    Решать прикладные задачи по обработке и анализу данных на предмет выявления в них скрытых зависимостей.

  • Код ON3

    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.

  • Код ON4

    Проводить статистический анализ: построить доверительный интервал, тестирование гипотез, регрессионный и дисперсионный анализ.

  • Код ON6

    Умеет проводить анализ данных с помощью программного языка Python.

  • Код ON7

    Обосновать результатов, полученные в ходе исследования

  • Код ON8

    Проявлять коммуникабельность, инициативность и психологическую подготовленность к трудовой деятельности, в том числе при работе в команде и принимать управленческие и технические решения

  • Код ON9

    Умеет составлять математическую модель практической задачи и разрабатывать компьютерный модель (программный продукт)

Top