7M06124 Технологии искусственного интеллекта в ЕНУ им. Л. Н. Гумилева

Дисциплины

• Нейросетевые методы в обработке естественного языка

  Дисциплина охватывает современные методы и модели, основанные на нейронных сетях, используемые для обработки естественного языка (NLP). Рассматриваются архитектуры нейронных сетей, алгоритмы их обучения, а также практические применения нейросетевых методов в задачах NLP, таких как классификация текстов, машинный перевод, генерация текста и другие, разработка оптимальных алгоритмов для работы с текстовыми данным, технология разработки современных приложений для обработки естественного языка.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• Инструменты и методы науки о данных

  Дисциплина охватывает широкий спектр инструментов и методов, применяемых в области данных, включая их сбор, хранение, обработку, анализ и визуализацию. Рассматриваются различные инструменты программирования, базы данных, аналитические инструменты и методы, используемые для обработки естественного языка (NLP), изображений, анализа и визуализации данных.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• Предобработка текстов для машинного обучения

  Дисциплина охватывает методы и технологии предобработки текстовых данных, необходимые для подготовки данных к использованию в алгоритмах машинного обучения и обработке естественного языка (NLP). Изучаются этапы и методы очистки, нормализации, токенизации и преобразования текстов, а также техники извлечения признаков из текстовых данных, лингвистические и статистические методы анализа текста, нейросетевое распознавание символов текста многослойными персептронами, как использовать предобработанные текстовые данные для решения задач классификации, кластеризации и других задач NLP.

  Год обучения - 1
  Семестр - 1
  Кредитов - 4
  

• Предобработка изображений для машинного обучения

  Дисциплина фокусируется на методах и техниках предобработки изображений, которые необходимы для подготовки данных к использованию в алгоритмах машинного обучения и компьютерного зрения. Рассматриваются основные этапы и методы обработки изображений, включая улучшение качества изображений, их нормализацию, извлечение признаков и увеличение данных, методы разметки изображений для задач классификации, детекции и сегментации, извлечение информативных признаков из изображений для повышения эффективности моделей машинного обучения.

  Год обучения - 1
  Семестр - 1
  Кредитов - 4
  

• Базы знаний интеллектуальных систем

  Дисциплина предназначена для изучения наиболее значимых в настоящее время моделей и технологических аспектов проектирования систем, основанных на знаниях. Рассматриваются теоретические основы представления знаний, языки и модели представления знаний, методы извлечения и обновления знаний, а также практические аспекты проектирования и применения баз знаний в различных областях.

  Год обучения - 1
  Семестр - 1
  Кредитов - 6
  

• Психология управления

  Дисциплина направлена на формирование социально-управленческого мировоззрения у магистрантов Дисциплина в контексте решения управленческих задач, определенных профессиональной деятельностью магистра в национальной рамке квалификации и квалификационном справочнике руководителей и специалистов. Цель дисциплины заключается в систематизации и углублении знаний о социально-психологических процессах, явлениях, свойствах и основных категориях психологии управления для дальнейшего применения в управленческой деятельности магистров. Содержание дисциплины включает такие темы как личность руководителя, особенности руководства и лидерства как социальных феноменов, основные функции управленческой деятельности, стили управления и руководства, личность подчиненного как объект управления, социализация личности как социальный феномен, характеристика процесса адаптации подчиненного к условиям организации, система регуляции поведения и деятельности личности, общение как социальный феномен, особенности управленческого общения и другие.

  Год обучения - 1
  Семестр - 1
  Кредитов - 2
  

• Иностранный язык (профессиональный)

  Целью данной дисциплины является приобретение и совершенствование компетенций в соответствии с международными стандартами иноязычного обучения, позволяющих использовать иностранный язык (уровень сверхбазовой стандартности (С1) как средство общения для успешной профессиональной и научной деятельности будущего магистра, способного конкурировать на рынке труда. Курс обучения предполагает изучение английского языка в профессиональном и академическом контексте в соответствии с образовательной программой. Основное внимание уделяется изучению и активному использованию специфической терминологии, связанной с профессиональной и научной сферой, критическому чтению, анализу текстов, восприятию информации, полученной через прослушивание, развитию академических навыков письма, необходимых для написания научных работ, а также развитию навыков устной речи для коммуникации в академической среде.

  Год обучения - 1
  Семестр - 1
  Кредитов - 2
  

• Обработка и анализ больших массивов данных

  Дисциплина охватывает методы и технологии, используемые для обработки и анализа больших массивов данных (Big Data). Изучаются архитектуры, инструменты и алгоритмы, необходимые для эффективного хранения, обработки и анализа больших объемов данных, а также их применения в различных областях. Рассматриваются способы работы и методы по извлечению ранее неизвестных данных для получения знаний разработка программных средств для анализа данных, основные алгоритмы анализа данных, инструменты и технологии визуализации данных, принципы обеспечения качества и безопасности данных при работе с большими массивами.

  Год обучения - 1
  Семестр - 1
  Кредитов - 4
  

• Восстановление и реконструкция изображений

  Дисциплина посвящена методам восстановления и реконструкции изображений, которые используются для улучшения качества изображений, устранения артефактов и восстановления утерянных данных. Рассматриваются теоретические основы, алгоритмы и практические приложения методов восстановления и реконструкции изображений, основы стереоскопического зрения, фотометрический метод анализа стереоизображений, применение глубокого обучения в восстановлении изображений, оценка качества восстановленных изображений.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• Математико-алгоритмические основы искусственного интеллект

  Дисциплина направлена на формирование у магистрантов общих представлений о теории отношений и зависимостях данных, достаточных для изучения теории ИИ. Рассматриваются ключевые математические концепции и методы, необходимые для разработки алгоритмов ИИ, математический аппарат построения нейронной сети, алгоритмы поиска и методы оптимизации, в том числе градиентный спуск с импульсом, алгоритм ADAM, RMSProp и т.п., эволюционные и генетические алгоритмы, алгоритмы обработки данных, вероятностные графовые модели, построение и оценка моделей ИИ для различных задач.

  Год обучения - 1
  Семестр - 1
  Кредитов - 6
  

• Менеджмент

  Изучение данной дисциплины позволит сформировать общие представления о эволюции теории менеджмента, управленческой деятельности в организации, сформировать умения и навыки применения современных методов менеджмента для решения управленческих задач. Заложит основы понимания постановки целей и функций планирования, механизмов менеджмента, средств и методов управления. В результате изучения данной учебной дисциплины магистранты будут способны сформировать представление об основных положениях этики менеджмента и социальной ответственности, лидерства в менеджменте, власти и партнерства в менеджменте.

  Год обучения - 1
  Семестр - 1
  Кредитов - 2
  

• Искусственный интеллект для информационной безопасности

  Дисциплина направлена на изучение методов и технологий искусственного интеллекта, применяемых в области информационной безопасности. Рассматриваются принципы построения архитектуры систем искусственного интеллекта и виды архитектур систем искусственного интеллекта, методы машинного обучения для анализа данных безопасности, прогнозирования и предотвращения кибератак, этические и правовые аспекты применения ИИ в безопасности.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Рекомендательные системы и сервисы

  Дисциплина направлена на формирование у магистрантов практических навыков проектирования и разработки рекомендательных систем. Рассматриваются модели машинного обучения, алгоритмы и подходы, используемые в рекомендательных системах, оценка качества рекомендательных систем в различных областях применения: электронная коммерция, социальные сети, медиа, образование и др., : электронная коммерция, социальные сети, медиа, образование и др., проблемы и вызовы разработки рекомендательных систем: холодный старт, персонализация, шум в данных и др., этические и социальные аспекты использования рекомендательных систем: проблемы приватности, фильтр пузыря и др

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Этические проблемы искусственного интеллекта

  Дисциплина направлена на изучение общих этических и правовых принципов использования технологий на базе искусственного интеллекта и знакомит магистрантов с современным состоянием в сферах практического применения искусственного интеллекта и необходимостью разработки системы правового регулирования развития искусственного интеллекта, выделяет основные этапы развития технологий ИИ и определяет ключевые этические проблемы, являющиеся их следствием.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Статистические и математические методы анализа данных

  Данная дисциплина ориентирована на изучение основных статистических и математических методов, используемых для анализа данных. Магистранты получат навыки решать задачи статистического анализа данных с помощью моделей машинного обучения, начиная от формулирования исходных задач соответствующей предметной области на языке прикладной статистики, выбора методов решения и критериев качества полученных решений и заканчивая формулировкой полученных выводов на языке предметной области.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Управление проектами искусственного интеллекта

  Дисциплина предназначена для изучения методов, стратегий и инструментов управления проектами в области искусственного интеллекта. Рассматриваются основные принципы и методы управления персоналом, нормативно-технические документы (стандарты и регламенты), описывающие процессы управления инфраструктурой коллективной среды разработки, современные подходы к организации и реализации проектов, связанных с разработкой и внедрением систем искусственного интеллекта.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Нейронные сети в машинном обучении

  Дисциплина предназначена для изучения различных архитектур нейронных сетей, таких как многослойные перцептроны, сверточные нейронные сети, рекуррентные нейронные сети и глубокие нейронные сети. Также в рамках этой дисциплины изучается обучение нейронных сетей, включая методы обратного распространения ошибки, оптимизацию функции потерь, регуляризацию и другие техники.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Стандартизация систем на базе искусственного интеллекта

  Дисциплина направлена на изучение комплекса нормативных документов по направлению «Искусственный интеллект»: от терминологических стандартов и типовых архитектур до стандартов формата обмена, протоколов, API, методологий проведения испытаний и use cases (типовых примеров), и получения навыков практического применения стандартов. Рассматриваются методологические основы стандартизации и технического регулирования, принципы и методы стандартизации в области больших данных, сертификации услуг искусственного интеллекта в различных областях.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Большие данные в сфере образования

  Дисциплина посвящена изучению методов и технологий обработки и анализа больших объемов данных в образовательной сфере. Рассматриваются принципы сбора, хранения, обработки и анализа данных, а также их применение для оптимизации учебного процесса, прогнозирования успеваемости студентов, персонализации обучения и других задач, этические и юридические аспекты обработки данных в образовании.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Статистические методы в машинном обучении

  Данная дисциплина ориентирована на изучение статистических моделей и методов, применяемых в современных методах машинного обучения для улучшения существующих процедур анализа и обработки данных. Рассматриваются основы статистической теории машинного обучения, задачи классификации и регрессии с опорными векторами, теория обобщения и алгоритмы построения разделяющих гиперплоскостей, задачи адаптивного прогнозирования в нестохастических теоретико-игровой и сравнительной постановках.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Методы оптимизации для науки о данных и машинного обучения

  Дисциплина фокусируется на изучении различных методов оптимизации, которые используются в области анализа данных и машинного обучения. Рассматриваются как классические, так и современные методы оптимизации, применяемые для решения задач обучения с учителем и без учителя, а также для настройки параметров моделей машинного обучения.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Генеративное глубокое обучение

  Дисциплина охватывает методы и модели, используемые для генерации новых данных, основанные на глубоком обучении. Рассматриваются архитектуры генеративных моделей, их обучение и применение в различных областях, таких как генерация изображений, текста, звука и других типов данных, оценка качества генеративных моделей, проектирование и реализация генеративных моделей в различных задачах

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Искусственный интеллект в здравоохранении

  Дисциплина направлена на изучение методов и технологий построения защищенных интеллектуальных систем в области здравоохранения. Рассматриваются основные подходы к постановке задачи при создании многопользовательских информационно-аналитических систем в задачах обработки данных в сфере здравоохранения, методы машинного обучения в медицинских исследованиях, этические и юридические аспекты применения ИИ в медицине.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

Профессии

Результаты обучения

• Демонстрировать умение анализировать и оценивать ситуацию в организации, выявлять проблемы и разрабатывать стратегии и планы действий для их решения
• Применять методы и средства проектирования баз знаний интеллектуальных систем, математических методов для разработки и анализа алгоритмов искусственного интеллекта, анализировать и интерпретировать данных с использованием математических и статистических методов
• Разработать алгоритмов решения сложных задач на основе нейросетей для обработки естественных языков, изображений
• Проводить исследования и эксперименты, критически оценивать результаты исследований и сформулировать обоснованные выводы, интегрировать результаты исследования с теоретическими концепциями и реальными приложениями
• Применять методологии и средства проектирования систем искусственного интеллекта для различных прикладных областей, нормативно-технические документы (стандарты и регламенты) управления процессом разработки программного продукта
• Применять генеративные модели для решения сложных прикладных задач в различных областях