8D06103 Информационные технологии и робототехника в КРУ им. Байтурсынова

Дисциплины

• Академическое письмо

  Изучаются особенности академического письма, реферирование и аннотирование в рамках научного контекста. Докторанты приобретают навыки создания и оформления текста научно-исследовательской работы, научной статьи, использования правил цитирования, формирования презентации-доклада на тему научного исследования.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• Методы научных исследований

  Дисциплина формирует у докторантов способности к ведению исследовательской деятельности на основании анализа, систематизации и обобщения результатов научных исследований посредством применения комплекса исследовательских методов при решении конкретных научно- исследовательских задач.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• Исследование и анализ алгоритмов

  Содержание дисциплины охватывает круг вопросов, связанных с задачами, подходами и алгоритмами, возникающими в интеллектуальном анализе данных. Дает представления о типах задач, возникающих в области интеллектуального анализа данных. Изучает основные подходы и алгоритмы решения задач анализа данных и особенностей их применения к решению реальных задач.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• Технологии Big Data и анализ больших данных

  Дисциплина рассматривает технологии подготовки, хранения, обработки и анализа больших данных. Осваивается практическое применение получаемых знаний в работе с программой R-Studio. Знания, полученные в результате освоения дисциплины, помогут при сборе и анализе огромных объемов структурированной или неструктурированной информации, при разработке моделей.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• Искуcственный интеллект, робототехника и управление

  Данная дисциплина предполагает усвоение современных знаний по искусственному интеллекту, как он реализуется и где может быть использован, а также уяснение основных принципов построения систем с нечеткой логикой, экспертных систем и систем нейросетевого управления. Полученная докторантами в данном курсе совокупность знаний и умений позволит более успешно усваивать другие общепрофессиональные и специальные дисциплины последующей вузовской подготовки.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• Нейронные сети и машинное обучение

  Дисциплина призвана развивать теоретические и этические знания, связанные с использованием машинного обучения и нейронных сетей, практические умения в области искусственного интеллекта, рассматривать принципы и концепции ИИ, исследовать методы машинного обучения такие как градиентный спуск, стохастический градиентный спуск и различные алгоритмы оптимизации для интеллектуальной обработки данных, решать нестандартные профессиональные задачи, в том числе в новой или незнакомой среде, фокусироваться на обучении глубоких нейронных сетей с несколькими слоями.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• Надежность и отказоустойчивость робототехнических систем

  Дисциплина предполагает изучить общие факторы, влияющие на надежность объектов и технологических систем, методы расчета параметров надежности и методы поиска оптимальных решений в задачах конструирования и эксплуатации технологических систем и математические методы исследования и проектирования этих систем, а также способы диагностики мехатронных систем и проведение их наладки.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• Суперкомпьютерные вычисления

  Дисциплина дает возможность изучения параллельных вычислительных систем и их классификация, общая характеристика многопроцессорных вычислительных систем, оценка эффективности параллельных вычислений, анализ сложности вычислений и оценка возможности распараллеливания, изложение технологии OpenMP, общая схема разработки параллельных методов, методы параллельных вычислений для задач вычислительной математики.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

Профессии

Результаты обучения

• Оценивать эффективность используемых методов и синтезировать собственные исследовательские работы на основе анализа данных в экспериментальных исследованиях.
• Разрабатывать алгоритмы для обработки больших объемов данных.
• Разрабатывать новые алгоритмы для решения специфических задач.
• Оценивать производительность и надежность робототехнических систем.
• Применять методы машинного обучения для анализа данных и предсказания результатов.
• Анализировать причины отказов и разрабатывать меры по их предотвращению.
• Оценивать и сравнивать эффективность различных архитектур суперкомпьютеров в решении научных и инженерных задач.

Похожие ОП