Действующая образовательная программа

8D06103 Компьютерные науки в КазНУ им. аль-Фараби

  • Цель образовательной программы Целью образовательной программы «Компьютерные науки» является обеспечение качественной подготовки научных и научно-педагогических кадров высшей квалификации для системы высшего и послевузовского образования и научно-исследовательской сферы. Реализация образовательной программы направлена на формирование профессиональной личности специалиста, способного:  систематизировать и интерпретировать научные теории и концепции новейших направлений компьютерных наук с целью дальнейшего применения этих знаний при осуществлении диссертационного исследования;  вносить вклад собственными оригинальными исследованиями в расширение границ знаний в области вычислительных технологий;  осуществлять самостоятельные научные исследования на основе адекватного объекту исследования материала, выбора методологии с проекцией на развитие перспективных новых направлений компьютерных наук;  генерировать идеи, прогнозировать результаты инновационной деятельности, руководить сложными производственными и научными процессами;  давать оценку и определять значимость того или иного продукта своей и иной научной деятельности, аргументированно представлять и отстаивать собственное научное мнение на научных дискуссиях.
  • Академическая степень Докторантура
  • Языки обучения Русский, Казахский, Английский
  • Срок обучения 3 года
  • Объем кредитов 180
  • Группа образовательных программ D094 Информационные технологии

Дисциплины

  • Модели высокопроизводительных вычислений

    Эта дисциплина развивает способность управлять технологией параллельных вычислений в многопроцессорных системах с распределенной или общей памятью. Докторанты научатся представлять многопроцессорные структуры, анализировать и декомпозировать вычислительные схемы, оценивать сложности передачи данных, моделировать параллельные программы и создавать модели вычислительных систем. Темы включают механизмы передачи данных, представление топологии, разработку параллельных алгоритмов и системы общей памяти.

    Год обучения - 1
    Семестр - 1
    Кредитов - 5
  • Академическое письмо

    Цель дисциплины: развить профессиональные компетенции докторантов для выполнения ими научных проектов и публикаций при соблюдении норм законодательства. Докторанты научатся формулировать исследовательские вопросы, ориентироваться в литературе, излагать положения исследования, готовить патентные и авторские документы, проводить дискуссии и писать обзоры проектов. Этот курс охватывает аспекты формулирования исследований, междисциплинарных исследований и описания исследовательской работы на разных языках.

    Год обучения - 1
    Семестр - 1
    Кредитов - 2
  • Методы научных исследований

    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.

    Год обучения - 1
    Семестр - 1
    Кредитов - 3
  • Высокопроизводительное программирование с многоядерными и графическими процессорами

    Эта дисциплина направлена на развитие опыта в оптимизации производительности программ путем понимания вычислительных платформ. Докторанты будут анализировать современные высокопроизводительные процессоры, использовать расширенные наборы команд, программировать сложные системы, разрабатывать программное обеспечение и оценивать методы программирования для многоядерных и графических процессоров, включая такие приложения, как матричные операции и быстрое преобразование Фурье.

    Год обучения - 1
    Семестр - 1
    Кредитов - 5
  • Численные методы для научных вычислительных задач

    Целью дисциплины является обучение построению алгоритмов и методам анализа решения нелинейных дифференциальных уравнений. Аспиранты научатся описывать подходы к численному анализу, разрабатывать вычислительные алгоритмы, обеспечивать точность решения, решать задачи оптимального управления и выполнять эффективные вычисления. Темы включают конечно-разностные схемы, уравнения Навье-Стокса, моделирование турбулентных потоков и численные методы для процессов в пограничном слое.

    Год обучения - 1
    Семестр - 1
    Кредитов - 5
  • Надежность в распределенных системах

    Эта дисциплина направлена на развитие навыков создания надежных алгоритмических, технических и программных решений для распределенных вычислительных систем. Докторанты будут осваивать методы оценки надежности систем, выполнять расчеты надежности, разрабатывать эффективные модели, анализировать факторы, влияющие на надежность, а также внедрять инструменты для создания эффективных программных комплексов.

    Год обучения - 1
    Семестр - 1
    Кредитов - 5
  • Продвинутые алгоритмы и их сложность

    Цель этой дисциплины: научить анализировать продвинутые алгоритмы и сложность вычислений. Аспиранты научатся определять задачи, оценивать модели ресурсов, применять алгоритмические методы и методы доказательства, распознавать недостатки доказательств и соотносить алгоритмы с показателями сложности. Темы включают жадные алгоритмы, динамическое программирование, сетевые потоки, NP-полноту, вычислимость, машины Тьюринга, алгоритмы аппроксимации, параллельные вычисления.

    Год обучения - 1
    Семестр - 1
    Кредитов - 5
  • Исследование и анализ алгоритмов

    Целью этой дисциплины является обучение применению инструментов и методов для алгоритмических решений со строгими теоретическими ограничениями во времени и пространстве. Докторанты будут сравнивать и применять ключевые структуры данных, анализировать поведение алгоритмов, сравнивать временную сложность, описывать алгоритмы функционально и процедурно, а также разрабатывать и применять фундаментальные алгоритмы для решения реальных проблем.

    Год обучения - 1
    Семестр - 1
    Кредитов - 5
  • Аналитика больших данных

    Эта дисциплина направлена ​​на развитие навыков оценки технологий анализа больших данных и создания программных продуктов. Докторанты будут характеризовать и сравнивать наборы данных, решать такие проблемы, как высокая размерность и масштабируемость, интегрировать библиотеки машинного обучения с современными технологиями, оптимизировать параметры модели и создавать приложения с использованием нейронных сетей и платформы TensorFlow.

    Год обучения - 1
    Семестр - 1
    Кредитов - 5
  • Вычислительные алгоритмы инженерных задач гидродинамики на высокопроизводительных системах

    Эта дисциплина направлена ​​на развитие навыков решения инженерных задач с использованием вычислительных алгоритмов в высокопроизводительных системах с упором на уравнения Навье-Стокса и Эйлера. Аспиранты будут описывать уравнения в частных производных, анализировать свойства вычислительных методов, решать уравнения вычислительным путем, распараллеливать задачи гидродинамики и разрабатывать программное обеспечение для инженерных приложений.

    Год обучения - 1
    Семестр - 1
    Кредитов - 5
  • Продвинутое машинное обучение

    Целью дисциплины является обучение оптимизации, развертыванию и масштабированию передовых моделей машинного обучения. Аспиранты научатся анализировать образцы, выполнять вероятностное моделирование, разрабатывать алгоритмы оптимизации, создавать решения машинного обучения, внедрять и оценивать модели обучения с подкреплением, а также разрабатывать системы рекомендаций.

    Год обучения - 1
    Семестр - 1
    Кредитов - 5
  • Моделирование информационных ресурсов

    Целью данной дисциплины является обучение моделированию информационных ресурсов с использованием структурного и системного анализа. Докторанты будут разрабатывать и исследовать модели информационных ресурсов, анализировать и оптимизировать информационные системы, проводить эксперименты, анализировать результаты, готовить научные публикации и прогнозировать технологические тенденции. Темы включают математическое моделирование, системный анализ, моделирование и методы исследования информационных процессов.

    Год обучения - 1
    Семестр - 1
    Кредитов - 5
  • Глубокое обучение

    Эта дисциплина направлена на развитие навыков использования и создания глубоких нейронных сетей для анализа больших данных. Докторанты будут описывать принципы и применение глубокого обучения, применять ключевые концепции в обучении и моделировании, интегрировать содержание курса в исследования, внедрять нейронные сети с использованием библиотек программного обеспечения и критически оценивать текущие исследования в области нейронных сетей и приложений.

    Год обучения - 1
    Семестр - 1
    Кредитов - 5

Результаты обучения

  • 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 исследовательскую документацию, планировать и управлять проектами в области компьютерных наук, повышать научную продуктивность, работать с базами данных и проводить крупномасштабные вычислительные эксперименты для междисциплинарных и международных приложений.
  • 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.
  • Освоить техники искусственного интеллекта, которые позволяют разрабатывать, внедрять и критически оценивать сложные модели и алгоритмы для решения сложных проблем анализа данных.
  • 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
Top