8D06102 Компьютерная наука и искусственный интеллект в КБТУ (KBTU)

Дисциплины

• Академическое письмо

  Курс предлагается PhD докторантам для развития процесса написания докторской диссертации на английском языке, для улучшения навыков академического письма в соответствии с требуемыми международными стандартами академических потребностей. Аспиранты познакомятся с процессом написания научной статьи, начиная с начальной стадии оценки информации, планирования, составления проекта, редактирования и заканчивая заключительной стадией, которая поможет развить точность в написании.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• ИИ: Машинное обучение

  Курс изучается с целью формирования знаний о методах машинного обучения и анализа данных, а также навыков их применения. Рассматриваются задачи классификации, кластеризации, регрессии и понижения размерности. Изучаются методы решения задач машинного обучения, включая деревья решений, нейронные сети и метод опорных векторов.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• Продвинутый искусственный интеллект

  Курс направлен на изучение современных методов искусственного интеллекта, включая глубокое обучение, обработку естественного языка, генеративные модели и обучение с подкреплением. Рассматриваются интерпретируемость моделей, этические аспекты и интеграция ИИ в сложные системы. Развиваются навыки критического анализа исследований, проектирования и оптимизации ИИ-решений для научных и прикладных задач.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• ИИ: Статистическое обучение и прогнозирование

  Курс изучается с целью формирования знаний о статистических методах анализа данных и навыков их применения. Рассматриваются подходы к интерпретации и визуализации результатов, использование математических моделей для выявления закономерностей. Особое внимание уделяется логике и интуитивному пониманию статистических методов, их применению для решения исследовательских и прикладных задач.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Кейсы больших данных: наука, медицина, инженерия

  Курс изучается с целью формирования знаний о методах анализа больших данных и навыков их применения. Рассматриваются подходы к обработке, управлению и анализу сложных наборов данных. Особое внимание уделяется выбору и использованию вычислительных инструментов для оптимизации работы с большими объемами информации.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Методы научных исследований

  Это курс по методам исследования для PhD докторантов. В ходе курса мы обсуждаем принципы методов исследования, профессиональное академическое письмо, публикации, предложения, презентации, чтение и анализ статей, обзоры и этические вопросы.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Этика, разработка политики и законодательства в области компьютерных наук

  Курс изучается с целью формирования знаний о методах цифровой обработки сигналов и навыков их применения для подготовки данных в моделях машинного обучения. Рассматриваются подходы к дискретизации, фильтрации и преобразованию сигналов. Особое внимание уделяется интеграции обработанных данных в аналитические и предсказательные модели.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Цифровая обработка сигналов и изображений (этапы предварительной обработки в моделях на основе машинного обучения)

  Курс изучается с целью формирования знаний о методах цифровой обработки сигналов и навыков их применения для подготовки данных в моделях машинного обучения. Рассматриваются подходы к дискретизации, фильтрации и преобразованию сигналов. Особое внимание уделяется интеграции обработанных данных в аналитические и предсказательные модели.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• ИИ: Обучение с подкреплением

  Курс изучается с целью формирования знаний о методах обучения с подкреплением и навыков их применения. Рассматриваются стратегии обучения агентов в динамических средах, подходы к оптимизации решений и выбору действий. Особое внимание уделяется применению методов для решения задач в различных областях, включая автоматизацию, анализ данных и управление.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• ИИ: Обработка естественного языка и семантический анализ

  Курс изучается с целью формирования знаний о методах обработки естественного языка и навыков их применения. Рассматриваются анализ текстовых данных, машинный перевод, аннотирование, распознавание эмоций и создание чат-ботов. Особое внимание уделяется моделированию языковых структур и автоматизации работы с неструктурированными данными.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Искусственный интеллект в образовании

  Курс изучается с целью освоения применения методов искусственного интеллекта в образовании. Рассматриваются адаптивные обучающие системы, интеллектуальные тьюторы, анализ образовательных данных, обработка естественного языка и персонализация обучения. Особое внимание уделяется этическим аспектам, автоматизированному оцениванию и прогнозированию успеваемости. Развиваются навыки проектирования и внедрения ИИ-решений в образовательные процессы.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• ИИ: Компьютерное зрение

  Курс изучается с целью формирования знаний о современных методах компьютерного зрения и навыков их применения. Рассматриваются обработка изображений, построение 3D-сцен, сегментация и распознавание объектов. Особое внимание уделяется использованию инструментов машинного обучения для автоматического анализа визуальных данных.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Продвинутая аналитика больших данных

  Курс изучается с целью освоения методов обработки и анализа больших данных, включая машинное обучение, распределенные вычисления, обработку потоков данных и оптимизацию алгоритмов. Рассматриваются современные технологии, такие как Hadoop, Spark, глубинное обучение и нейросетевые модели. Развиваются навыки интерпретации данных, построения прогнозных моделей и принятия решений на основе аналитики.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Продвинутая обработка естественного языка

  Курс изучается с целью освоения современных методов обработки естественного языка (NLP), включая глубокие нейросетевые модели, трансформеры, генеративные модели, анализ текста и диалоговые системы. Рассматриваются интерпретируемость моделей, мультимодальные подходы, машинный перевод и этические аспекты. Развиваются навыки анализа, проектирования и оптимизации NLP-решений для научных и прикладных задач.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

Профессии

Результаты обучения

• Развивать научно-практические навыки академического письма, необходимые для формирования и написания докторской диссертации, проведения исследовательских работ и научных публикаций. Уметь применять критические методы мышления для достижения стратегических целей, понимание формирования сложности исследовательских гипотез, с которыми сталкиваются исследователи при разработке и выполнении научных и индустриальных проектов.
• Составлять анализ фундаментальных и прикладных исследовательских практик в научной методологии и уметь интерпретировать основополагающие идеи в области компьютерных наук. Знать на профессиональном уровне количественные и качественные методы исследования в области новых парадигм программирования для эффективного проведения дизайн исследования, стратегии выбора и анализа данных, и разработку планов исследования научных публикаций.
• Анализировать и сравнивать полученные модели в рамках построения простых и сложных гипотез на базе машинного обучения, и модели искусственного интеллекта для применения их в своих научных доводах, и публикациях при проведении исследовании.
• Применять и изучать современные тенденции новых видов алгоритмов искусственного интеллекта с обработкой больших данных в области бизнеса, промышленности для понимания процессов, инструментов, и методов научного планирования организации и улучшения деятельности развития бизнеса.
• Уметь выявлять современные проблемы и тенденции научного исследования в Казахстане и за рубежом в области искусственного интеллекта и находить пути решения за счет внедрения новых видов моделей поведения и построения прогнозов и перспектив развития управления бизнеса и промышленностей всех отраслей.
• Создавать и модернизировать алгоритмы искусственного интеллекта в теоретических и экспериментальных опытах для развития социально-экономического развития Казахстана и мира, и понимать роль цифровизации рабочего места, взаимодействия человека и машины путем внедрения современных методов прикладных теории компьютерных наук.
• Формулировать гипотезы относительно математических моделей, программной и/ или аппаратной архитектуры, программных алгоритмов и предложить их научному сообществу для использования методологической и программной инженерии, которые позволят оценить показатели эффективности распараллеливания в процессе оптимизации методов и алгоритмов искусственного интеллекта, как на уровне отдельных шагов, так и метода в целом.
• Знать и уметь применять методы предварительной обработки информации, существенно повышающие точность и достоверность результатов на всех этапах обработки, а также позволяющие получить информацию об истинной структуре данных и выявить в них скрытые закономерности, которые позволяют выполнять такие операции предварительной обработки данных, как очистка сигналов от шума, выделение тренда в сигналах, оценивание степени хаотичности сигналов, фильтрация сигналов и пр.
• Знать основные инструменты для анализа сигналов как в пространственной, так и в частотной областях, а также изучение основных методов обработки изображений для выделения признаков, сегментации изображений, регистрации изображений и сопоставления изображений.
• Знать необходимые характеристики вычислительных мощностей оборудования для экспериментальных исследований определенной задачи в области компьютерных наук, которые включают методы интеллектуального анализа информации обеспечивающие автоматизацию процесса извлечения знаний в условиях априорной неопределенности и повышение оперативности обработки данных, что особенно эффективно при наличии большого объема данных. Данные методы позволят выполнять кластер-анализ данных, классификацию данных и визуализацию многомерных данных.
• Применять архитектурные паттерны, которые позволят упростить и ускорить процесс разработки архитектуры систем искусственного интеллекта за счет использования набора готовых типовых решений. А также, использовать методы оптимального статистического синтеза, теории проверки статистических гипотез, теории инвариантности и теории концентрации меры для построения векторов признаков в системах машинного обучения и оценки качества моделей машинного обучения.

Похожие ОП