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

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 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 – 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 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 – сформировать способности планирования и проведения качественных и конкурентоспособных научных исследований. Учебный курс формирует теоретико-методологическую основу процесса научных исследований, их целей, задач, этапов проведения, а также областей применения результатов. Будут рассмотрены: основы научного метода, методология проведения литературных и экспериментальных исследований, правила подготовки и рецензирования научных публикаций и проектов.

Цель дисциплины – сформировать способность определить особенности науки как особого вида знания, деятельности и социального института; систематизировать основные проблемы и дискуссии о методах и стратегиях ведения научных исследований и закономерностях развития науки. Будут рассмотрены: структура и уровни научного познания, идеалы и нормы науки; философские основания науки и научная картина мира.

Дисциплина направлена на формирование языковой, коммуникативной компетенции для общения на иностранном языке в своей профессиональной деятельности в соответствии с международными стандартами иноязычного образования, для выстраивания профессиональных отношений в контексте межкультурной, научной коммуникации, расширения научных связей и развития исследовательской деятельности на основе освоения новых информационных ресурсов, технологий.

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 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 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.

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 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 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 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.

Применять современные многомерные статистические методы, инструменты статистического моделирования и программные системы при решении задач анализа различных процессов и явлений.

Проектировать и разрабатывать высокоэффективные алгоритмы и структуры данных для вычислительных задач в различных областях, применять инструменты и методы, необходимые для алгоритмических решений научных и прикладных задач, применять коллективную среду документирования программного обеспечения.

Управлять инфраструктурой коллективной среды разработки программного обеспечения систем искусственного интеллекта, обучать и применять глубокие нейронные сети для решения задач анализа данных, требующих больших вычислительных ресурсов, производить настройку и развертывание моделей нейронных сетей с помощью сред глубокого обучения.

Создавать приложения для прогнозного моделирования, использовать методы и приложения обнаружения шаблонов в интеллектуальном анализе данных, создавать и интерпретировать визуализацию, оценивать возможности специализированных приложений по интеллектуальному анализу данных.

Применять принципы построения и организации современных программных решений для обработки больших данных, возможности средств интеграции систем, приложений и сервисов, проектировать и использовать архитектуры интеграционных платформ, приложения и сервисы высоконагруженных систем хранения и обработки больших данных.

Разрабатывать алгоритмы прикладного машинного обучения, предназначенные для описания, изучения и анализа различных наборов данных, нахождения скрытых закономерностей и связей в данных, построения предиктивных моделей.

Применять управляемые облачные службы для создания и развертывания решений прогнозной аналитики на основе методов машинного обучения, разрабатывать и внедрять компоненты систем искусственного интеллекта для повышения скорости и качества обработки промышленных данных.

Вести научно-педагогическую деятельность, внедрять результаты исследований в практическую педагогическую деятельность, руководить исследовательской группой.

Самостоятельно проводить научные исследования, понимать текущие вопросы исследования, анализировать и критически относиться к различным источникам информации, применять их для структурирования и формулирования рассуждений.

Использовать навыки работы с информацией из различных литературных источников, представлять ее в различных формах сообщений, презентаций и докладов с учетом специфики аудитории, обосновывая и грамотно излагая свою точку зрения на проблемные вопросы. Эффективно работать в команде при поиске и решении научно-исследовательских проблем ОП