6B06107 Наука о данных в КазНУ им. аль-Фараби

Дисциплины

• Высшая математика

  Цель дисциплины состоит в формировании способности использовать знания разделов высшей математики в прикладных задачах. В рамках дисциплины рассматриваются следующие аспекты: Элементы линейной алгебры. Матрицы и определители. Системы линейных алгебраических уравнений. Векторы. Уравнения прямой. Уравнения второго порядка. Предел функции. Непрерывность функции. Производная функции. Правила дифференцирования. Функции нескольких переменных. Экстремальные функции нескольких переменных. Неопределенный интеграл. Основные методы интегрирования. Определенные, несобственные интегралы. Приложения определенного интеграла.

  Год обучения - 1
  Семестр - 1
  Кредитов - 6
  

• Предпринимательство

  Цель: формирование практических навыков осуществления предпринимательской деятельности на основе изучения теории и практики предпринимательства. Студент будет способен: использовать возможности рынка, соответствующие их личным интересам и способностям; принять первоначальное решение о начале бизнеса; эффективно работать в рамках действующих правовых норм; определять и оценивать потенциальные рыночные возможности стартапа.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Учение Абая

  Цель дисциплины - сформировать у будущих специалистов компетенцию применения своих профессиональных знаний, пониманий и способностей в целях укрепления единства и солидарности страны, повышения интеллектуального потенциала общества. Будут изучены: понятие об учении Абая; источники учения; составные части учения Абая; категории учения Абая; измерительные приборы учения Абая; сущность и значение учения Абая.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Основы финансовой грамотности

  Цель дисциплины - сформировать у обучающихся рациональное финансовое поведение на основе понимания финансовой информации, а также способности критически оценивать и анализировать процессы, связанные с защитой их прав и интересов в качестве потребителей финансовых услуг посредством использования финансовых инструментов в том числе цифровых технологий.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Дискретная математика и математическая логика

  Цель - формирование знаний и умений будущих специалистов по использованию аппаратов и методов дискретной математики при анализе, управлении и программировании современных процессов и систем и формирование умения использовать математическую логику для исследования математических объектов.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Экология и безопасность жизнедеятельности человека

  Цель – сформировать ряд ключевых компетенций, базирующихся на современных концепциях природопользования, реализующих принципы гармоничной оптимизации условий взаимодействия человека с природой. Будут изучены: принципы устойчивого развития, сохранения и воспроизводства природных ресурсов для обеспечения безопасности жизнедеятельности человека, способы оценки и минимизации рисков, защиты от опасностей, мероприятия по ликвидации последствий аварий, катастроф, стихийных бедствий, охране окружающей среды и рациональному природопользованию.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Аль-Фараби и современность

  Цель дисциплины: формирование у студентов представлений о научно-философском наследии великого тюркского мыслителя Абу Насра аль-Фараби в контексте развития мировой и национальной культуры. Будут изучены особенности наследия аль-Фараби и его влияние на формирование тюркской философии, характер влияния восточной философии на Европейский Ренессанс; традиционные и современные проблемы истории национальной и мировой философии.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Введение в науку о данных

  Цель дисциплины состоит в формировании способности применять основные концепции и методы науки о данных для анализа и интерпретации данных. Будут рассмотрены следующие аспекты: Математический инструментарий науки о данных. Программный инструментарий науки о данных. Основные алгоритмы машинного обучения и их применение. Инструменты и техники визуализации данных. Этика и правовые аспекты работы с данными.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Правовые основы противодействия коррупции

  Цель дисциплины: сформировать ответственное отношение, способность демонстрировать на практике применение принципов, норм антикоррупционного законодательства в целях предупреждения коррупционных правонарушений, формирования нетерпимости к коррупционным проявлениям, антикоррупционной культуры, гражданской ответственности. Будут изучены: антикоррупционное законодательство, система и деятельность субъектов противодействия коррупции, причины и условия, способствующие коррупции, антикоррупционная политика, международный опыт борьбы с коррупцией.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Методы научных исследований

  Цель - сформировать навыки в познавательной деятельности в сфере науки. Использовать методы научных исследований для понимания и усвоения информации. Уметь описывать объект исследования. Владеть методами поиска, обработки научной информации, систематизации, анализа, синтеза для получения объективного содержания научного знания. Применять аналитические и практические методы исследования и системы аргументации для обоснования, утверждения, оценки.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Технологии программирования

  Цель дисциплины состоит в формировании способности разрабатывать прикладные программы с использованием методологии, основных парадигм и современных языков программирования. Будут рассмотрены следующие аспекты: Концепции и классификация технологий программирования. Парадигмы программирования. Языки программирования. Основные концепции структур данных и алгоритмов. Жизненный цикл разработки программного обеспечения. Методы тестирования и отладки программ. Паттерны проектирования. Современные тенденции в программировании.

  Год обучения - 2
  Семестр - 3
  Кредитов - 5
  

• Веб-программирование

  Цель дисциплины состоит в формировании способности проектировать и разрабатывать веб-приложения для визуализации и анализа данных, интегрировать и защищать данные в веб-приложениях. Будут рассмотрены следующие аспекты: Основы создания веб-страниц. Динамическая визуализация данных. Фреймворки для создания интерактивных пользовательских интерфейсов. Создание серверной части для обработки данных. Интеграция и работа с данными. Защита данных и приложений.

  Год обучения - 2
  Семестр - 3
  Кредитов - 5
  

• Теория вероятностей и математическая статистика

  Цель дисциплины состоит в формировании способности научного представления о методах исследования случайных явлений и применение изученных методов для построения вероятностно- статистических моделей. В рамках дисциплины рассматриваются следующие аспекты: Функция распределения случайной величины. События и случайные величины. Моменты случайных величин. Условные вероятности. Распределение Пуассона и некоторые другие распределения. Исследование выборками. Интервальные оценки. Дисперсионный анализ. Совместная функция распределения нескольких случайных величин. Цепи Маркова.

  Год обучения - 2
  Семестр - 3
  Кредитов - 6
  

• Теория баз данных

  Цель дисциплины состоит в формировании способности осуществлять концептуальное, логическое и физическое проектирование баз данных; использовать языки создания запросов для организации и управления данными. В рамках дисциплины рассматриваются следующие аспекты: Абстракция данных и введение в управление данными. Инфологическое моделирование и модель «сущность-связь». Даталогическое проектирование и реляционная модель данных. Язык манипулирования данными SQL. Проектирование и тестирование реляционной базы данных. Обеспечение целостности данных. Данные в нереляционной форме и знания. Современные технологии доступа к данным.

  Год обучения - 2
  Семестр - 3
  Кредитов - 5
  

• Операционные системы и сети

  Цель дисциплины состоит в формировании способности разрабатывать, управлять и оптимизировать операционные системы и сети для обеспечения их эффективного и безопасного функционирования. Будут рассмотрены следующие аспекты: Функции, компоненты, архитектура операционных систем. Управление процессами и потоками. Алгоритмы планирования, синхронизации, взаимоблокировки. Управление памятью. Виртуальная память. Файловые системы. Локальные и глобальные сети. Сетевое оборудование и адресация. Безопасность операционных систем и сетей. Методы защиты, межсетевые экраны, антивирусы.

  Год обучения - 2
  Семестр - 4
  Кредитов - 6
  

• Алгоритмы и структуры данных

  Цель дисциплины состоит в формировании способности анализировать и оптимизировать алгоритмы для решения сложных задач, разрабатывать эффективные программные решения с использованием подходящих структур данных. Будут рассмотрены следующие аспекты: Сортировка и поиск. Стек и очередь. Связные списки. Деревья и графы. Хеширование. Алгоритмы на графах: обход, кратчайшие пути. Анализ сложности алгоритмов.

  Год обучения - 2
  Семестр - 4
  Кредитов - 5
  

• Прикладная статистика

  Цель дисциплины состоит в формировании способности применять статистические методы и инструменты для анализа данных и поддержки принятия решений. Будут рассмотрены следующие аспекты: Основные понятия и методы прикладной статистики. Описательная статистика. Визуализация данных. Статистическое моделирование. Линейная и нелинейная регрессия. Анализ временных рядов. Применение прикладной статистики для решения практических задач.

  Год обучения - 2
  Семестр - 4
  Кредитов - 5
  

• Основы искусственного интеллекта

  Цель дисциплины состоит в формировании способности разрабатывать и применять базовые методы и алгоритмы искусственного интеллекта для решения практических задач. Будут рассмотрены следующие аспекты: Концепции и применение искусственного интеллекта. Алгоритмы поиска, эвристические методы. Представление знаний и рассуждение. Основные алгоритмы машинного обучения. Модели обработки естественного языка. Генеративные модели. Основы компьютерного зрения. Этика и правовые вопросы применения искусственного интеллекта.

  Год обучения - 2
  Семестр - 4
  Кредитов - 5
  

• Управление базами данных

  Цель дисциплины состоит в формировании способности построения систем реляционных баз данных, принципах проектирования структур БД на основе (Oracle, PL SQL), методах приведения структур БД к нормальным формам, изучение основ языка SQL и выполнение основных операций по работе с данными.

  Год обучения - 3
  Семестр - 5
  Кредитов - 5
  

• Менеджмент бизнес-процессов

  Цель дисциплины состоит в формировании способности управления производственной, маркетинговой, инновационной, кадровой и финансовой деятельностью предприятия на основе методологии менеджмента бизнес-процессов. Будут рассмотрены следующие аспекты: Введение в менеджмент бизнес-процессов. Методология и принципы менеджмента бизнес-процессов. Методы анализа и реинжиниринга бизнес-процессов. Оценка различных типов менеджмента и последствий их применения. Моделирование бизнес-процессов. Методы оптимизации бизнес-процессов.

  Год обучения - 3
  Семестр - 5
  Кредитов - 5
  

• Моделирование больших данных

  Цель дисциплины состоит в формировании способности разрабатывать и применять методы и инструменты для моделирования и анализа больших данных. Будут рассмотрены следующие аспекты: Архитектуры и платформы больших данных. Hadoop и экосистема Hadoop. Apache Spark. Параллельная и распределенная обработка данных. Парадигма MapReduce. Хранилища данных и базы данных для больших данных. Облачные хранилища данных. Методы верификации и валидации данных. Вопросы конфиденциальности и защиты данных. Этические вопросы при анализе данных.

  Год обучения - 3
  Семестр - 5
  Кредитов - 5
  

• Базы данных NoSQL

  Цель дисциплины состоит в формировании способности разрабатывать, использовать и администрировать базы данных NoSQL. Будут рассмотрены следующие аспекты: Введение в базы данных NoSQL. Типы NoSQL баз данных. Моделирование данных в NoSQL. Запросы и индексация в NoSQL. Обеспечение консистентности и доступности данных. Масштабирование и распределенные системы. Безопасность и резервное копирование в NoSQL системах.

  Год обучения - 3
  Семестр - 5
  Кредитов - 5
  

• Введение в инженерию данных

  Цель дисциплины состоит в формировании способности производить сбор, обработку, анализ и визуализацию данных, позволяющие эффективно принимать решения и действовать в отношении данных. В рамках дисциплины отображаются следующие аспекты: Жизненный цикл инженерии данных. Экосистема инженерии данных. Типы хранилищ данных. Витрины данных и озера данных. Процессы ETL и ELT. Конвейеры данных. Платформы интеграции данных. Большие данные. Аспекты безопасности. Управление жизненным циклом данных. Соблюдение правил конфиденциальности данных.

  Год обучения - 3
  Семестр - 5
  Кредитов - 5
  

• Модели и методы практической предиктивной аналитики

  Цель дисциплины состоит в формировании способности применения методов предиктивной аналитики для прогнозирования будущего поведения объектов и субъектов предметной области. Будут рассмотрены следующие аспекты: Классификатор инструментов предиктивной аналитики по типу решаемой задачи. Получение выборочного распределения. Предобработка данных. Регрессионный анализ. Временные ряды и прогнозирование. Деревья решений и ансамблевые методы. Метрики оценки моделей. Кросс-валидация и бутстрэппинг. Использование открытых наборов данных.

  Год обучения - 3
  Семестр - 5
  Кредитов - 5
  

• Введение в блокчейн

  Цель дисциплины состоит в формировании способности описывать концептуальные принципы технологии блокчейна. Будут рассмотрены следующие аспекты: История цифровых денег. Децентрализация. Понимание основ блокчейна. Византийская отказоустойчивость. Узлы в блокчейне. Технологии распределенного реестра. Криптография в блокчейне. Алгоритм консенсуса и майнинг блоков. Введение в блокчейны EVM. Понимание криптовалюты. Введение в смарт-контракты. Технологические платформы блокчейна. Варианты использования и приложения блокчейна. Блокчейн-примитивы.

  Год обучения - 3
  Семестр - 5
  Кредитов - 5
  

• Инженерия признаков

  Цель дисциплины предоставить студентам всеобъемлющее понимание инженерии признаков, важной части машинного обучения и науки о данных. Будут рассмотрены следующие аспекты: Основные концепции и техники инженерии признаков. Предварительная обработка данных. Ввод отсутствующих данных. Масштабирование и нормализация признаков. Извлечение признаков. Методы выбора признаков. Методы преобразования признаков. Влияние признаков на выбор модели машинного обучения.

  Год обучения - 3
  Семестр - 5
  Кредитов - 5
  

• Анализ данных в приложениях

  Цель дисциплины состоит в формировании способности применять методы и инструменты анализа данных для решения практических задач. Будут рассмотрены следующие аспекты: Анализ предметной области для выявления ключевых концепций, процессов и требований. Построение моделей текущих процессов и данных. Обработка больших данных. Визуализация данных. Специализированные библиотеки и инструменты анализа данных. Разработка рекомендаций и предложений для оптимизации процессов и систем в предметной области.

  Год обучения - 3
  Семестр - 5
  Кредитов - 5
  

• Методы оптимизации и исследование операций

  Цель дисциплины состоит в формировании способности применять методы поиска оптимальных решений на основе математического моделирования и различных эвристических подходов решения практических задач. В рамках дисциплины отображаются следующие аспекты: Методы математического программирования. Понятие о выпуклых множествах. Теоремы о выпуклых множествах. Общая задача линейного программирования. Основные теоремы линейного программирования. Метод последовательного улучшения плана. Теория двойственности в линейном программировании. Распределительный метод. Модель и теорема о разрешимости задачи. Параметрическое линейное программирование. Дискретное программирование. Целочисленное программирование. Динамическое программирование. Нелинейное программирование.

  Год обучения - 3
  Семестр - 5
  Кредитов - 5
  

• Классификация и кластеризация

  Цель дисциплины состоит в формировании способности использовать алгоритмы классификации и кластеризации для анализа и интерпретации сложных наборов данных и разработки прогностических моделей. Будут рассмотрены следующие аспекты: Основные методы классификации. Основные методы кластеризации. Отбор признаков. Методы снижения размерности. Методы оценки качества классификации и кластеризации. Метрики оценки. Визуализация и интерпретация результатов.

  Год обучения - 3
  Семестр - 5
  Кредитов - 5
  

• Интеллектуальный анализ данных

  Цель дисциплины состоит в формировании способности применять методы интеллектуального анализа данных для извлечения полезной информации и знаний из больших объемов данных. Будут рассмотрены следующие аспекты: Методы предварительной обработки данных. Алгоритмы классификации, регрессии, кластеризации. Ансамблевые методы. Методы машинного обучения. Визуализация результатов анализа данных. Использование инструментов и платформ для интеллектуального анализа данных.

  Год обучения - 3
  Семестр - 5
  Кредитов - 5
  

• Облачные вычисления

  Цель дисциплины состоит в формировании способности применять концепции, технологии, архитектуры и приложения облачных вычислений для исследования и решения современных фундаментальных задач. В рамках дисциплины отражаются следующие аспекты: Основные тенденции развития облачных вычислений и технологий. Архитектура облачных технологий. Способы и особенности проектирования облачных сервисов. Основные модели предоставления услуг облачных вычислений.

  Год обучения - 3
  Семестр - 6
  Кредитов - 5
  

• Прикладная наука о данных

  Цель дисциплины состоит в формировании способности применять методы и инструменты науки о данных для разработки решений, направленных на решение прикладных задач. Будут рассмотрены следующие аспекты: Технологии сбора и систематизации данных. Конвейеры обработки данных. Подбор моделей машинного обучения для предметной области. Настройка и оптимизация моделей для специфических задач. Оценка адекватности и качества моделей. Метрики оценки моделей. Интерпретируемость и объяснимость моделей. Валидация и оценка производительности. Интеграция моделей в производственные системы.

  Год обучения - 3
  Семестр - 6
  Кредитов - 5
  

• Основы децентрализованных приложений

  Цель дисциплины состоит в формировании способности использовать основные компоненты и инструменты технологии блокчейн для разработки децентрализованных приложений. Будут рассмотрены следующие аспекты: Децентрализованные приложения. Введение в DApps и смарт-контракты. Разработка смарт-контрактов с помощью Solidity. Расширенные возможности Solidity. Введение в ethers.js. Интеграция с веб-фреймворками. Введение в hardhat. Введение в GraphQL. Создание децентрализованного приложения web3 с полным стеком. Обновляемые смарт-контракты.

  Год обучения - 3
  Семестр - 6
  Кредитов - 5
  

• Облачные технологии в Data Science

  Цель дисциплины состоит в формировании способности использовать облачные технологии для обработки, анализа и хранения больших данных в рамках проектов Data Science. В рамках дисциплины отражаются следующие аспекты: Концептуальные основы облачных технологий. Модели обслуживания IaaS, PaaS, SaaS. Облачные платформы. Хранение данных в облаке. Облачные инструменты для Data Science. Развертывание моделей машинного обучения в облаке. Контейнеризация. Безопасность и управление доступом в облачных системах.

  Год обучения - 3
  Семестр - 6
  Кредитов - 5
  

• Инструменты Business Intelligence

  Цель дисциплины состоит в формировании способности использования программных средств технологий анализа данных при решении задач интеллектуальной поддержки управленческих решений. Функции бизнес-аналитики: идентификация, моделирование, прогнозирование, оптимизация решений, анализ чувствительности. Методы бизнес-аналитики. Платформы бизнес-интеллекта (Business Intelligence, BI). Методики обнаружения нового знания в хранилищах данных (KDD). Аналитические приложения в корпоративных информационных системах.

  Год обучения - 3
  Семестр - 6
  Кредитов - 5
  

• Экосистемы больших данных

  Цель дисциплины состоит в формировании способности работать с большими объемами данных, используя современные экосистемы и инструменты для их хранения, обработки и анализа. Будут рассмотрены следующие аспекты: Виды экосистем обработки больших данных. Архитектура экосистем больших данных. Хранилища данных. Платформы для обработки больших данных. Потоковая обработка данных. Управление данными. Инструменты анализа и визуализации данных. Безопасность и защита данных в экосистемах больших данных.

  Год обучения - 3
  Семестр - 6
  Кредитов - 6
  

• Введение в архитектуру смарт-контрактов

  Цель дисциплины состоит в формировании способности создавать блокчейн приложения, которые автоматизируют взаимодействие сети участвующих субъектов. В рамках дисциплины отображаются следующие аспекты: Экосистема Ethereum и язык программирования Solidity для создания смарт-контрактов. Создание, развертывание смарт-контрактов. Транзакции в смарт-контрактах. Задачи идентификации и защиты учетных записей пользователей. Эталонная архитектура децентрализованного приложения. Проблема масштабируемости технологий распределенного реестра и способы их решения. Реализация смарт-контрактов в сети и вне сети.

  Год обучения - 3
  Семестр - 6
  Кредитов - 5
  

• Статистические вычисления и анализ данных

  Цель дисциплины состоит в формировании способности организации и проведения статистического наблюдения, статистическими методами обработки и анализа статистических данных. Введение в статистику. Предмет, метод и задачи статистики. Этапы проведения и программно-методологические вопросы статистического наблюдения. Формы, виды и способы организации статистического наблюдения.

  Год обучения - 3
  Семестр - 6
  Кредитов - 5
  

• Обработка естественного языка (NLP)

  Цель дисциплины состоит в формировании способности разрабатывать и применять методы обработки естественного языка (NLP) для анализа текстовых данных и создания интеллектуальных систем. Будут рассмотрены следующие аспекты: Предобработка текстовых данных. Модели представления текстовых данных. Классификация текстов. Распознавание именованных сущностей. Анализ тональности текста. Рекуррентные нейронные сети для NLP. Трансформеры и BERT. Чат-боты и виртуальные ассистенты.

  Год обучения - 3
  Семестр - 6
  Кредитов - 5
  

• Технология распределенной потоковой передачи данных

  Цель дисциплины состоит в формировании способности разрабатывать, внедрять и оптимизировать системы распределенной потоковой передачи данных в режиме реального времени. Будут рассмотрены следующие аспекты: Модели обработки потоков данных. Технологии и платформы для потоковой обработки данных. Технологии Apache Kafka, Apache Flink, Apache Spark Streaming, Google Dataflow. Архитектура и компоненты распределенных систем. Отказоустойчивость и масштабируемость в распределенных системах. Безопасность и защита данных в потоковых системах.

  Год обучения - 3
  Семестр - 6
  Кредитов - 5
  

• Машинное обучение

  Цель дисциплины состоит в формировании способности разрабатывать, обучать и применять модели машинного обучения для анализа данных и автоматизации процессов. Будут рассмотрены следующие аспекты: Методы машинного обучения: обучение с учителем, обучение без учителя, обучение с подкреплением. Линейные модели. Нелинейные модели. Алгоритмы для решения задач классификации, регрессии, кластеризации. Методы снижения размерности. Оценка и валидация моделей. Оптимизация гиперпараметров и модели.

  Год обучения - 3
  Семестр - 6
  Кредитов - 5
  

• Обработка интернет данных

  Цель дисциплины состоит в формировании способности обработывать интернет данные с помощью Google Analitics и Yandex Metrics. В рамках дисциплины рассматриваются следующие аспекты: Введение в обработку интернет данных. Обзор методов обработки интернет данных. Управление процессами. Взаимоисключения и синхронизация. Управление обработкой информации. Управление вводом-выводом. Цели обработки интернет данных. Управление безопасностью. Принципы обработки интернет данных. Защита интернет данных. Изучение конкретных примеров: Google Analitics, Yandex Metrics.

  Год обучения - 4
  Семестр - 7
  Кредитов - 5
  

• Параллельные вычисления для науки о данных

  Цель дисциплины состоит в формировании способности разрабатывать и применять методы параллельных вычислений в проектах Data Science. В рамках дисциплины отражаются следующие аспекты: Архитектуры параллельных систем. Параллельное программирование. Модели программирования MPI, OpenMP. Программирование на графических процессорах. Параллельные алгоритмы для обработки данных. Вопросы оптимизации и балансировки нагрузки. Оценка производительности и эффективности вычислительных процессов. Применение параллельных вычислений для обучения моделей машинного обучения.

  Год обучения - 4
  Семестр - 7
  Кредитов - 5
  

• Проект по прикладной науке о данных

  Цель дисциплины это интенсивный курс, в котором основное внимание уделяется практической реализации и управлению проектами по науке о данных. Будут рассмотрены следующие аспекты: управление и реализация проектов по науке о данных. Методы решения проблем на основе данных. Командная работа и управление проектом в контексте науки о данных. Применение методов науки о данных к реальным сценариям. Жизненный цикл проекта.

  Год обучения - 4
  Семестр - 7
  Кредитов - 5
  

• Мониторинг банковских процессов

  Цель дисциплины состоит в формировании способности освоения теоретических основ моделирования бизнес-процессов, методов анализа бизнес-процессов, а также получение знаний в области управления бизнес-процессами в банковских процессах. В рамках дисциплины отражаются следующие аспекты: Управление бизнес-процессами представляет собой системный подход для отражения, проектирования, выполнения, программирования, документирования, измерения, мониторинга и контроля как автоматизированных, так и неавтоматизированных процессов, для достижения целей и бизнес-стратегий компании.

  Год обучения - 4
  Семестр - 7
  Кредитов - 5
  

• Проектирование и разработка программного обеспечения

  Цель дисциплины состоит в формировании способности выполнять все этапы жизненного цикла разработки программного обеспечения, писать воспроизводимый, надежный, масштабируемый код для проектов по науке о данных. В рамках дисциплины отображаются следующие аспекты: Модели программных процессов. Гибкая модель разработки. Разработка требований к программному обеспечению. Моделирование системы. Архитектурные проекты программного обеспечения. Проектирование системы реального времени. Инжиниринг на основе компонентов. Тестирование программного обеспечения. Оценка стоимости программного обеспечения.

  Год обучения - 4
  Семестр - 7
  Кредитов - 5
  

• Поисковые системы

  Цель дисциплины состоит в формировании способности обеспечить механизм полнотекстового поиска и анализа в реальном времени с открытым исходным кодом. Функциональные возможности Elastic Stack. Об эффективном построении конвейеров данных, позволяющих загрузить в Elasticsearch и Logstash терабайты и петабайты информации для поиска и логирования.

  Год обучения - 4
  Семестр - 7
  Кредитов - 5
  

• Безопасность данных

  Цель дисциплины состоит в формировании способности обеспечивать защиту данных в состоянии покоя, во время обработки и при передаче в приложениях, управляемых данными. Будут рассмотрены следующие аспекты: Криптографические концепции. Шифрование/дешифрование, аутентификация сообщений, целостность данных. Классификация атак. Закрытый ключ. Открытый ключ. Модели угроз для приложений, управляемых данными. Криптография с открытым ключом для защиты данных.

  Год обучения - 4
  Семестр - 7
  Кредитов - 5
  

• Бизнес аналитика и визуализация данных

  Цель дисциплины состоит в формировании способности оперировать возможностями инструментов для проведения бизнес-анализа и построения визуальных моделей данных для анализа состояния бизнеса. Введение в бизнес-аналитику и визуализацию данных. Большие данные в торговле. Безопасность больших данных. Большие данные в банковском деле. Большие данные в рейтинговой системе.

  Год обучения - 4
  Семестр - 7
  Кредитов - 5
  

• Глубокое обучение

  Цель дисциплины состоит в формировании способности разрабатывать и применять глубокие нейронные сети для решения сложных задач анализа данных и искусственного интеллекта. Будут рассмотрены следующие аспекты: Основы нейронных сетей. Методы обучения нейронных сетей. Архитектуры глубоких сетей. Регуляризация и оптимизация моделей. Фреймворки и библиотеки для глубокого обучения. Применение глубокого обучения в различных областях.

  Год обучения - 4
  Семестр - 7
  Кредитов - 6
  

• Введение в бизнес модели блокчейн

  Цель дисциплины состоит в формировании способности описывать бизнес-модели, связанные с блокчейн, использовать блокчейн технологии в различных бизнес-сценариях. В результате изучения дисциплины сформировать у студентов способности: - Описывать различные бизнес-модели блокчейна. - Определить конкретные деловые ситуации, в которых технология блокчейна может быть развернута для решения важных проблем. - Выбрать конкретную технологию блокчейна, которая имеет наилучшие шансы на успех в решении конкретной проблемы. - Применять принципы управления цифровыми активами, проведения безопасных и прозрачных транзакций, создания децентрализованных приложений и многое другое. - Детализировать риски, связанные с технологией блокчейн, и применять механизмы безопасности блокчейна. В рамках дисциплины рассматриваются следующие аспекты: Концепция бизнес-моделей и их роль в контексте блокчейна. Различные типы бизнес-моделей. Модель сетевого эффекта. Модель токеномики. Децентрализованные автономные организации (DAO). Решения для масштабирования блокчейна. Сетевая безопасность. Безопасность узла. Введение в Hyperledger. Безопасность в блокчейне. Механизмы безопасности блокчейна.

  Год обучения - 4
  Семестр - 7
  Кредитов - 5
  

• Рекомендательные системы

  Цель дисциплины состоит в формировании способности разрабатывать и применять рекомендательные системы для персонализированного предоставления информации и услуг. В рамках дисциплины отражаются следующие аспекты: Архитектура рекомендательных систем. Методы разработки рекомендаций. Методы коллаборативной фильтрации. Методы контентной фильтрации. Матричная факторизация и латентные модели. Рекомендательные системы на основе нейронных сетей. Оценка качества рекомендаций. Метрики оценки качества рекомендательных систем.

  Год обучения - 4
  Семестр - 7
  Кредитов - 5
  

• Компьютерное зрение

  Цель дисциплины состоит в формировании способности разрабатывать и применять методы и алгоритмы компьютерного зрения для анализа и интерпретации визуальных данных. Будут рассмотрены следующие аспекты: Представление и описание изображений. Методы фильтрации, улучшения качества, обнаружения краев изображений. Методы сегментации изображений. Методы классификации, локализации объектов. Методы обнаружения объектов. Глубокое обучение для компьютерного зрения. Методы трекинга объектов.

  Год обучения - 4
  Семестр - 7
  Кредитов - 5
  

• Облачные хранилища данных

  Цель дисциплины состоит в формировании способности управлять облачными хранилищами данных для эффективного хранения данных и создания облачных программных средств. В рамках дисциплины отражаются следующие аспекты: Основные облачные провайдеры. Типы облачных хранилищ данных. Реляционные и NoSQL облачные базы данных. Data Lake и Data Warehouse. Интеграция и управление данными. Вопросы безопасности и защиты данных в облачных хранилищах.

  Год обучения - 4
  Семестр - 7
  Кредитов - 5
  

Профессии

Результаты обучения

• Применять методы математического анализа, теории вероятностей, алгебры и дискретной математики, статистические вычисления и принципы оптимизации для правильного формулирования и решения задач анализа данных.
• Устанавливать критерии выбора адекватной масштабируемой технологии управления данными на основе заданных критериев, настраивать базу данных для достижения наилучшей производительности, адекватно учитывать аспекты безопасности в базах данных, выбирать и использовать технологии облачных служб данных, обобщать основные принципы и возможности управления виртуализированными и распределенными данными.
• Анализировать данные путем соответствующей подгонки, оценки, визуализации и интерпретации различных статистических моделей, применять инструменты Business Intelligence для создания отчетов, дашбордов и интерактивных визуализаций, использовать статистические методы, применять стандартные пакеты статистического программного обеспечения.
• Оценивать сложности и ограничения предметной области для выбора методов анализа данных; внедрять и применять передовые методы интеллектуального анализа данных с помощью соответствующих инструментов, оценивать и сравнивать пригодность, масштабируемость и эффективность различных методов в практических условиях, выполнять полный цикл описательной, диагностической и предиктивной аналитики данных.
• Оценивать технологические возможности и инновации, основанные на больших данных, оценивать масштаб данных и скорость выполнения приложений на нескольких уровнях масштабирования, применять методы и инструменты экосистемы больших данных.
• Владеть необходимым и достаточным уровнем коммуникативной компетенции для активного применения иностранного языка, как в повседневном, так и в профессиональном общении, обладать широким кругом интересов, любознательностью, вовлеченностью в ключевые запросы клиентов, способностью быстро обучаться, работать в команде, толерантно воспринимая социальные, этнические и культурные различия, критически оценивать свою деятельность, деятельность команды.
• Конфигурировать операционную систему, применять сетевые протоколы передачи данных, механизмы и методы защиты вычислительных ресурсов от атак, определять источники данных, адаптировать масштабируемую вычислительную инфраструктуру для решения различных классов задач анализа данных.
• Нести профессиональную и этическую ответственность в таких областях, как цитирование и владение данными, безопасность и конфиденциальность данных, последствия и проблемы конфиденциальности анализа данных.
• Разрабатывать и внедрять компоненты систем искусственного интеллекта для повышения скорости и качества обработки больших данных и принятия решений, разрабатывать, внедрять и использовать различные представления данных для классификации и регрессии, определять подходящие инструменты и методы для решения основных классов задач машинного обучения, включая методы глубокого обучения, генеративного искусственного интеллекта.
• Анализировать особенности социальных, политических, культурных, финансовых институтов в контексте их роли в модернизации казахстанского общества, критически оценивать и анализировать процессы, связанные с защитой прав и интересов в качестве потребителей финансовых услуг, описывать этапы становления независимой казахстанской государственности в контексте всемирного и евразийского исторического процесса.
• Моделировать логические структуры данных, определяя состав данных, структуру и источники данных, обеспечивая защиту данных, использовать процесс сбора данных для обеспечения полноты и взаимосвязанности данных из разных источников и для выработки решений по оптимизации хранения и обработки данных, описывать бизнес-модели, связанные с блокчейн, использовать блокчейн технологии для разработки децентрализованных приложений.
• Определять четкие требования к задаче, проводить декомпозицию задачи, использовать эффективные стратегии для получения алгоритмического решения, реализовывать решения посредством программирования на подходящем языке высокого уровня, оценивать и сравнивать различные алгоритмы анализа данных.

Похожие ОП