8D06103 Компьютерные науки в КазНУ им. аль-Фараби

Цель дисциплины состоит в формировании способностииспользовать имеющиеся инструменты обучения с помощью глубоких нейронных сетей и разрабатывать новые для анализа больших данных. В результате изучения дисциплины сформировать у докторантов способности: – описывать фундаментальные принципы, теории и подходы к обучению с помощью глубоких нейронных сетей, основных вариантов глубокого обучения и их типичных приложений; – использовать ключевые концепции, проблемы и практики при обучении и моделировании с глубокими архитектурами; – связывать концепции и методы, представленные в курсе, с собственными исследованиями; – внедрять, обучать и оценивать нейронные сети с использованием существующих программных библиотек; – представить и критически оценить текущие исследования нейронных сетей и их приложений. В рамках дисциплины рассматриваются следующие аспекты: Основы нейронных сетей и глубокого обучения. Методы улучшения нейронных сетей: регуляризация и оптимизация. Настройка гиперпараметров и рамки глубокого обучения. Tensorflow. Настройка гиперпараметров и глубокие рамки обучения. Keras. Стратегии организации и успешного построения проекта машинного обучения. Сверточные нейронные сети, их приложения. Классификация объектов и родственные методы. Сверточные нейронные сети, их приложения. Рекуррентные нейронные сети, их приложения. Обработка естественного языка. Распознавание речи и родственные методы.

Цель дисциплины состоит в формировании способности управлять технологиями организации параллельных вычислений на многопроцессорныхвычислительных комплексах с распределенной или общей оперативной памятью. В результате изучения дисциплины сформировать у докторантов способности:  рассматривать методы логического представления структуры многопроцессорных вычислительных систем;  выполнять анализ имеющихся вычислительных схем и осуществить их декомпозицию;  анализировать трудоемкости основных операций передачи данных;  моделировать параллельные программы;  формировать модели вычислительных систем. В рамках дисциплины рассматриваются следующие аспекты: Общая характеристика механизмов передачи данных. Анализ трудоемкости основных операций передачи данных. Обобщенная передача данных от одного процессора всем остальным процессорам сети. Обобщенная передача данных от всех процессоров всем процессорам сети. Методы логического представления топологии коммуникационной среды. Оценка трудоемкости операций передачи данных для кластерных систем. Моделирование параллельных программ. Методика разработки параллельных алгоритмов. Распределение подзадач между процессорами должно быть выполнено таким образом, чтобы наличие информационных связей. Методы решения дифференциальных уравнений в частных производных. Организация параллельных вычислений для систем с общей память. Формирование модели вычислительной системы. Постановка вычислительной задачи и выбор параллельного метода решения. Определение графических форм наблюдения за процессом параллельных вычислений.

Цель дисциплины состоит в формировании способности выполнять построение алгоритмов и анализ методов численного решения нелинейных дифференциальных уравнений, представляющих практический интерес. В результате изучения дисциплины сформировать у докторантов способности: – описывать фундаментальные подходы в области численного анализа и научных вычислений; – разрабатывать новые вычислительные алгоритмы; – анализировать методы для обеспечения точного решения в кратчайшие сроки; – эффективно решать задачи оптимального управления с использованием уравнений с частными производными; – решать научные вычислительные задачи, применяя параллельные и высокоэффективные вычисления. В рамках дисциплины рассматриваются следующие аспекты: Разностная аппроксимация простых дифференциальных операторов. Различные методы построения конечно-разностных схем. Конвергенция. Согласованность. Устойчивость. Плотность распределения массы в сплошной среде. Уравнения Навье - Стокса. Безразмерные уравнения Навье - Стокса. Методы моделирования турбулентных течений. Число Рейнольдса. Уравнения Навье-Стокса в цилиндрических системах координат. Уравнения Навье-Стокса в сферических системах координат. Волновое уравнение. Двухступенчатый метод Лакса - Вендроффа. Тепловое уравнение. Простой явный метод. Метод Ричардсона. Простой неявный метод. Метод Крэнка - Николсона. Уравнение Бюргерса. Метод расщепления по физическим параметрам. Численные методы расчета процессов в пограничном слое.

Цель дисциплины состоит в формировании способности оценивать технологии анализа больших данных для различных сценариев использования и разрабатывать собственные программные продукты. В результате изучения дисциплины сформировать у докторантов способности: – определять характеристики наборов данных и сравнивать тривиальные данные и большие данные для различных приложений; – решать задачи, связанные с такими характеристиками больших данных, как высокая размерность, динамически растущие данные и проблемы масштабируемости; – интегрировать библиотеки машинного обучения и математические и статистические инструменты с современными технологиями; – распознавать и реализовывать различные способы выбора подходящих параметров модели для различных методов машинного обучения; – разрабатывать приложения с применением аппарата нейронных сетей и фрейворка Tensor Flow. В рамках дисциплины рассматриваются следующие аспекты: Обзор больших данных. Использование больших данных в бизнесе. Технологии обработки больших данных. Базовая статистика и Р. Отношения и представления, Графовые базы данных. Введение в Spark 2.0. Обработка языка с помощью Spark 2.0.Анализ потоковых данных с помощью Spark 2.0. Базовая нейронная сеть и Tensor Flow. Оценка качества анализа больших данных. Анализ изображений, приложения для распознавания текста. Анализ речевого сигнала. Вопросно-ответные системы. Анализ потоковых данных с помощью TensorFlow, VoltDB, DataFlowEngines и других баз данных.

Цель дисциплины состоит в формировании способностирешать уравнения Навье-Стокса и Эйлера для инженерных задач с использованием вычислительных алгоритмов и программирования на высокопроизводительных системах. В результате изучения дисциплины сформировать у докторантов способности: – описывать математические характеристики уравнений в частных производных; – определять основные свойства вычислительных методов - точность, стабильность, согласованность; – вычислительно решать уравнения Эйлера и Навье-Стокса; – применять методы распараллеливания задач гидродинамики на высокопроизводительных системах; – разрабатывать программные комплексы для решения инженерных задач гидродинамики на высокопроизводительных системах. В рамках дисциплины рассматриваются следующие аспекты: Математические инструменты для аналитических описаний математической модели. Линейные системы уравнений на параллельных вычислениях с использованием машин с распределенной памятью и соответствующих стандартов программного обеспечения. Параллельная линейная алгебра. Вывод уравнений, управляющих потоком жидкости. Уравнения для несжимаемого потока и граничные условия. Конечно-разностные аппроксимации. Решение Навье Стокса для сжимаемых потоков. Решение уравнений Навье-Стокса для несжимаемых течений.

В данном курсе приведены умения и навыки, касающиеся логики построения текста, т.е. требования к выстраиванию тезисов и аргументов, основные форматы работ на английском языке в зависимости от дисциплины, требования к аннотациям как особому виду мелких работ, рекомендации по стилистике и правила английской пунктуации. Публикации в международных журналах: критическая оценка источников информации, редактирование, отзывы экспертов, требования к материалам и критерии оценки, примеры из практики, понятие плагиата.

Целью данной дисциплины являются овладение основ методологии научного исследования, рассмотрение различных уровней научного познания. Изучение этапов проведения научно-исследовательских работ, включая выбор направления исследования, постановку научно-технической проблемы, проведение теоретических и экспериментальных исследований, рекомендации по оформлению результатов научной работы. Также курс направлен на рассмотрение основ изобретательского творчества, патентный поиск и примерный план докторской диссертации.

Цель дисциплины состоит в формировании способности осуществлять оптимизацию, развертывание и масштабирование продвинутых моделей машинного обучения различных типов в практических лабораториях. В результате изучения дисциплины сформировать у докторантов способности: – выполнять анализ образца и вероятностное моделирование совместно с математическими методами; – разрабатывать и реализовывать алгоритмы оптимизации для этих моделей; – создавать новые решения для машинного обучения; – реализовать и оценить общие модели машинного обучения с подкреплением; – разрабатывать и реализовывать рекомендательные системы. В рамках дисциплины рассматриваются следующие аспекты: Изучение линейных разделителей. Вероятность и оценка, наивный байесовский классификатор. Генеративные и дискриминационные классификаторы. Логистическая регрессия. Наивный Байесовский классификатор. Подход на основе ядра. Обобщение и переобучение. Метод опорных векторов. Бустинг. Выбор модели. Линейная регрессия. Активное обучение. Обучение с частичным привлечением учителя. Обучение без учителя. Уменьшение размерности. Онлайн обучение. Обучение с подкреплением.

Цель дисциплины состоит в формировании способности выполнять анализ алгоритмов и сложности вычислений в различных областях теории вычислений. В результате изучения дисциплины сформировать у докторантов способности: – воспринимать слабо определенную задачу и представлять ее как четко определенную спецификацию задачи; – оценивать разнообразные модели ограничивающих ресурсов, таких как теория информации, сложность пространства, параллельная сложность, сложность связи, сложность доказательства, сложность запроса и сложность аппроксимации; – применять различные передовые алгоритмические методы и методы доказательств; – распознавать недостатки в плохо сформированных доказательствах; – оценивать соотнесение алгоритмов и / или сложности вычислений с различными показателями сложности, такими как время, пространство, коммуникация или информационное содержание. В рамках дисциплины рассматриваются следующие аспекты: Жадные алгоритмы. Динамическое программирование: взвешенное интервальное планирование, сегментированные наименьшие квадраты. Динамическое программирование: выравнивание последовательности, кратчайший путь на графе. Сетевые потоки. NP-полнота: снижение сложности, проблема коммивояжера. NP-полнота: сумма подмножеств, другие классы сложности. Вычислимость: диагонализация и проблема остановки, редукции к проблеме остановки и теорема Райса. Вычислимость: машины Тьюринга и гипотеза Чёрча-Тьюринга. Аппроксимационные алгоритмы. Параллельные вычисления. Онлайн алгоритмы.

Цель дисциплины состоит в формировании способности применять подходы, принципы и методы к созданию надежного алгоритмического, технического и программного обеспечения для распределенных вычислительных систем. В результате изучения дисциплины сформировать у докторантов способности:  владеть методами, моделями и современными инструментальными средствами исследования для оценки и обеспечения надежности распределенных систем;  выполнять расчет надежности, прогнозировать работу распределенных систем с точки зрения обеспечения заданной надежности;  разрабатывать модели и методы для создания эффективно функционирующих комплексов программ;  проводить анализ и оценку факторов, влияющих на надежность и отказоустойчивость распределенных систем;  реализовывать методы, модели и средства в процессе создания эффективно функционирующих комплексов программ. В рамках дисциплины рассматриваются следующие аспекты:Проблема надежности в современном мире. Терминология надежности. Количественные показателинадежности.Непрерывные и дискретные законы надежности. Связанные распределения. Испытания на надежность в ускоренном режиме. Расчет надежности в условиях неполной информации. Байесовский подход.Надежность невосстанавливаемых систем. Расчет с помощью логической алгебры. Резервирование как метод повышения надежности. Выбор элементов и схем. Оптимизация стоимости резервированных объектов.Надежность восстанавливаемых систем. Расчет коэффициентов готовности. Профилактические мероприятия как средство поддержания заданного уровня надежности. Виды профилактик. Выбор оптимальных стратегий и графиков ППР. Оценка оптимальных сроков службы основного оборудования. Детерминированный и стохастический подход. Марковские процессы и динамическое программирование. Эффективность идеальных и реальных профилактик. Максимизацияэффективности использования оборудования.Оценка надежности программного обеспечения. Контроль, доработка и приемка программ.Обеспечение запасными элементами в условиях внешних поставок и при наличии ремонтной базы. Организационные вопросы обеспечения надежности.

Цель дисциплины состоит в формировании способности анализировать способы достижения потенциальной производительности выполнения программ благодаря знанию базовой вычислительной платформы и ее взаимодействия с программами. В результате изучения дисциплины сформировать у докторантов способности: – описывать различные современные высокопроизводительные процессоры, в частности новейшие ядра Intel и иерархия памяти, многоядерный кеш и графические процессоры; – использовать расширенные наборы команд с неявным кодом и встроенными функциями; – программировать сложное оборудование для получения высокой загрузки; – разрабатывать программное обеспечение для современных высокопроизводительных процессоров; – выполнять оценку методов программирования на многоядерных и графических процессорах с помощью таких приложений, как матричные операции и быстрое преобразование Фурье. В рамках дисциплины рассматриваются следующие аспекты: Концепции высокопроизводительных вычислений. Уровни параллелизма. Модели параллельных вычислений. Архитектура HPC. Параллельное программирование с CUDA. Модели программирования в высокопроизводительных вычислительных архитектурах. Иерархия памяти и дизайн памяти для конкретной транзакции. Основные проблемы проектирования в параллельных вычислениях. Отображение параллельных алгоритмов на параллельные архитектуры, анализ производительности параллельных алгоритмов. Основные ограничения, стоящие перед параллельными вычислениями. Энергосберегающая связь. Квантовые компьютеры.

Цель дисциплины состоит в формировании способности моделировать информационные ресурсы с методологией структурного и системного анализа информационных процессов и систем. В результате изучения дисциплины сформировать у докторантов способности: - проводить разработку и исследование теоретических и экспериментальных моделей информационных ресурсов; - проводить разработку и исследование методик анализа, синтеза, оптимизации и прогнозирования качества процессов функционирования информационных систем и технологий; - осуществлять постановку и проведение экспериментов по заданной методике и анализ результатов; - проводить анализ результатов экспериментов, осуществлять выбор оптимальных решений, подготавливать и составлять обзоры, отчеты и научные публикации; - прогнозировать развитие информационных систем и технологий. В рамках дисциплины рассматриваются следующие аспекты:Современное состояние и общая характеристика. Проблемы моделирования сложных систем. Методология построения математических моделей информационных процессов и систем. Системный анализ информационных процессов и систем. Принципы системного подхода. Типовые математические схемы моделирования. Формализация и алгоритмизация процессов функционирования систем. Методы математического моделирования систем на ЭВМ. Моделирование случайных воздействий на системы. Планирование машинных экспериментов с моделями систем. Моделирование функционирования систем в некоторых предметных областях. Тенденции и перспективы развития методов исследования и моделирования информационных процессов и технологий. Классификация видов моделирования. Методика и стадии разработки моделей систем. Построение концептуальных моделей и их формализация.

Трактовать фундаментальные концепции в области компьютерных наук и новые парадигмы программирования, применять их в проектировании и разработке программного обеспечения.

Внести вклад в рамках оригинальных исследований, которые расширяют границы знаний путем разработки значительного объема работы, публиковать результаты исследований в виде научных статей в казахстанских и зарубежных изданиях.

Анализировать и оценивать надежность и отказоустойчивость компьютерных систем.

Сопоставлять, анализировать и интерпретировать сложные экспериментальные данные и делать выводы.

Исследовать вопросы вычислительной сложности и устойчивости алгоритмов.

Применять методы обработки больших данных и интеллектуального анализа данных для решения ресурсоемких задач.

Разрабатывать вычислительные алгоритмы для инженерных задач и реализовывать их в высокопроизводительных системах.

Составлять пояснительные записки и заявки на научно-исследовательские проекты, выполнять планирование, а также руководство и управление научными исследованиями в области компьютерных наук и в смежных междисциплинарных областях.

Организовывать научно-исследовательскую, проектную и учебно-профессиональную деятельность, участвовать в научных, государственных и промышленных исследованиях в составе команды, быть готовым к корректному и толерантному взаимодействию в обществе, к социальному взаимодействию и сотрудничеству для решения научно-технических задач.

Формулировать научные цели, планировать научные исследования и проводить крупномасштабные вычислительные эксперименты в конкретных областях применения.

Представлять передовые темы и результаты исследований на международных и республиканских конференциях, семинарах и рабочих совещаниях как перед специалистами, так и в аудитории, не имеющей соответствующей профессиональной подготовки.

Критически анализировать, оценивать и синтезировать новые и сложные идеи в области компьютерных наук