8D06107 Наука о данных в КазНУ им. аль-Фараби

Дисциплины

• Академическое письмо

  Курс знакомит докторантов с основными особенностями научного стиля речи и письма, построением логического изложения текста, критическим оцениванием источников информации, формирует умения создания академических и научно-педагогических текстов,публикаций и презентаций

  Год обучения - 1
  Семестр - 1
  Кредитов - 2
  

• Методы научных исследований

  Знание данной дисциплины необходимо для изучения и анализа научно-исследовательских работ, постановки научно-педагогической проблемы, проведения теоретических и экспериментальных исследований, выбора необходимых методов и инструментов исследований, позволяющих проводить логическое обобщение собранных фактов, вырабатывать понятия и суждения, делать умозаключения и теоретические выводы с целью разработки рекомендации и результатов научных исследований.

  Год обучения - 1
  Семестр - 1
  Кредитов - 3
  

• Доступ и управление большими данными

  Цель дисциплины: состоит в формировании способности эффективно извлекать, хранить, обрабатывать и анализировать большие данные для поддержки принятия решений на основе данных. Результаты обучения: 1. Применять принципы, методы и инструменты, связанные с доступом и управлением крупномасштабными наборами данных. 2. Сопоставлять различные подходы к обработке объемов, разнообразия и скорости передачи данных. 3. Эффективно извлекать, хранить, обрабатывать и анализировать большие данные для получения ценных сведений и принятия решений на основе данных. 4. Работать с большими данными, используя различные методы хранения, обработки, анализа, визуализации и управления. 5. Предвидеть и нести профессиональную ответственность за этические последствия получения, обработки и анализа данных.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• Продвинутые темы математической статистики

  Цель дисциплины: состоит в формировании способности проводить исследования в области многомерной статистики и байесовского моделирования, применять методы статистического машинного обучения к анализу данных. Результаты обучения: 1. Проводить исследования в области многомерной статистики и визуализации данных. 2. Анализировать на концептуальном уровне многомерные методы статистического анализа. 3. Проводить моделирование и вычисления, необходимые для выполнения расширенного анализа данных с байесовской точки зрения. 4. Исследовать статистические аспекты машинного обучения и автоматизированного мышления посредством использования (выборочных) данных. 5. Анализировать производительность алгоритмов статистического машинного обучения.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• Вычислительная статистика

  Цель курса — обучить студентов применению вычислительных методов и приемов для решения статистических задач. Он направлен на развитие у студентов навыков и понимания, необходимых для использования компьютерных алгоритмов и программ в статистическом анализе данных. Студенты учатся использовать инструменты R и SAS для выполнения статистических расчетов, визуализации данных и представления результатов.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• Теория машинного обучения

  Цель дисциплины: состоит в формировании способности разрабатывать математические инструменты для проектирования и теоретического анализа методов машинного обучения. Результаты обучения: 1. Формализовать задачи машинного обучения в статистических и теоретико-игровых условиях. 2. Исследовать статистическую сложность задач машинного обучения, используя основные понятия сложности. 3. Анализировать статистическую эффективность алгоритмов обучения. 4. Разрабатывать стратегии машинного обучения, используя правильную регуляризацию. 5. Применять инженерный подход для создания решений, отвечающих конкретным потребностям с учетом глобальных, культурных, социальных, экологических и экономических факторов.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• Интегративная наука о данных

  Цель дисциплины: состоит в формировании способности к интеграции и анализу различных источников данных для извлечения осмысленной информации и принятия обоснованных решений. Результаты обучения: 1. Интегрировать и анализировать данные из различных областей. 2. Анализировать и проектировать жизненный цикл данных от приобретения к интерпретации и действию. 3. Применять методы статистического моделирования и машинного обучения визуализации для решения сложных задач науки о данных. 4. Эффективно визуализировать и передавать информацию. 5. Учитывать этические соображения и соображения конфиденциальности в интеграционных проектах по науке о данных.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• Продвинутая теория вероятности

  Цель дисциплины: состоит в формировании способности применять различные аспекты теории вероятностей, от основных теорем до теории мартингалов в дискретном времени, для решения задач науки о данных. Результаты обучения: 1.Излагать основные идеи, лежащие в основе теории вероятностей. 2.Практиковать основные концепции вероятности, такие как: распределение, ожидание, дисперсия, независимость, условная вероятность. 3. Применять теорию вероятностей для построения математических моделей и решения статистических задач. 4.Определять типы практических задач, которые можно решить с помощью вероятностных методов, и умение использовать полученные знания для их решения. 5.Создавать математические инструменты для анализа данных на основе вероятностных методов.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

Профессии

Результаты обучения

• Определять инструменты и методологии, требующие больших вычислительных ресурсов, для статистического анализа и визуализации сложных данных, эффективно применять методы статистических вычислений к реальным наборам данных.
• Интегрировать и применять принципы статистики, оптимизации, теории вероятности, вычислений для внедрения инноваций, создавать модели машинного обучения и применять их для решения важных реальных задач, требующих большого объема данных.
• Применять принципы, методы и инструменты, связанные с доступом и управлением крупномасштабными наборами данных, для поддержки принятия решений на основе данных, принимать системные решения при создании инновационной продукции, оперативно управлять инновационными проектами.
• Разрабатывать математические инструменты для проектирования и теоретического анализа методов машинного обучения, исследовать статистическую сложность задач машинного обучения, используя основные понятия сложности.
• Учитывать этические соображения и соображения конфиденциальности данных, распознавать этические и юридические вопросы, относящиеся к анализу данных и их влиянию на общество, нести ответственность за этические последствия получения, обработки и анализа данных.
• Разрабатывать исследовательские программы и использовать научные методы в междисциплинарных областях, осуществлять руководство проведением исследований по ключевым научным вопросам как фундаментального, так и прикладного характера, формулировать научные гипотезы, разрабатывать методологию исследований с применением передовых технологий ИИ, анализировать полученные данные с помощью методов искусственного интеллекта, обеспечивая высокую точность и достоверность результатов.
• Вести преподавательскую деятельность в высших учебных заведениях, внедрять передовые и инновационные технологии обучения, разрабатывать учебно-методическое обеспечение новых курсов с учетом цифровой трансформации экономики Казахстана.
• Внести вклад в рамках оригинальных исследований, которые расширяют границы знаний путем применения методов науки о данных, использовать академический стиль письма, публиковать результаты исследований в виде научных статей в казахстанских и зарубежных изданиях, быть готовым к корректному и толерантному взаимодействию в обществе, к социальному взаимодействию и междисциплинарному сотрудничеству для решения научно-технических задач.