8D06102 Machine Learning & Data Science в Satbayev University

Дисциплины

• Методы научных исследований

  Цель: состоит в овладении знаниями о законах, принципах, понятиях, терминологии, содержании, специфических особенностях организации и управлении научными исследованиями с использованием современных методов наукометрии. Содержание: структура технических наук, применение общенаучных, философских и специальных методов научных исследований принципов организации научных исследований, методологических особенностей современной науки, путей развития науки и научных исследований, роли технических наук, информатики и инженерных исследований в теории и на практике.

  Год обучения - 1
  Кредитов - 5
  

• Big Data Storage Systems And Computations

  Курс изучает теоретические основы больших данных и распределенных вычислений, технологии построения систем хранения и обработки больших данных. Включает такие темы, как исследование сетевых протоколов взаимодействия и определение асинхронных и синхронных операций, проблемы фрагментации памяти и виртуальных машин исполнения инструкции, многопоточное программирование, многопроцессорное программирование, проблемы когерентности, устойчивости и методы их решения, проблемы сетевого взаимодействия.

  Год обучения - 1
  Кредитов - 5
  

• Наука об устойчивом развитии

  Цель: формирование у докторантов глубокого понимания взаимодействий между природными и социальными системами, а также развитие навыков идентификации и разработки стратегий для устойчивого развития, способствующих долгосрочному благополучию человечества и сохранению окружающей среды. Содержание: сложные взаимосвязи между экосистемами и обществами. Анализ проблем устойчивости на локальном, национальном и международном уровнях.

  Год обучения - 1
  Кредитов - 5
  

• Машинное обучение II

  Цель: Погружение в передовые методы и концепции машинного обучения, включая ансамблевые методы, кластеризацию и нейронные сети, с акцентом на глубоком обучении и его применении в различных областях. Содержание: Курс представляет изучение ансамблевых методов, таких как случайные леса, градиентный бустинг и ансамблирование моделей, которые позволяют улучшить качество предсказаний путем комбинирования нескольких базовых моделей.

  Год обучения - 1
  Кредитов - 5
  

• Машинное обучение I

  Цель: Введение в фундаментальные концепции и методы машинного обучения, а также изучение основных аспектов искусственного интеллекта. Содержание: Обучающиеся углубленно изучают основные принципы работы алгоритмов машинного обучения, включая методы регрессионного анализа, алгоритмы градиентного спуска и обратного распространения, а также классические методы машинного обучения: метод k-ближайших соседей, деревья решений, наивный байесовский классификатор и метод опорных векторов.

  Год обучения - 1
  Кредитов - 5
  

• Applied Machine Learning Research Projects

  Цель: Практическое применение машинного обучения и исследование в этой области через участие в реальных исследовательских проектах. Содержание: В рамках курса студенты участвуют в реальных исследовательских проектах, направленных на разработку и реализацию алгоритмов и моделей машинного обучения для решения конкретных задач. Проекты охватывают различные области применения машинного обучения, такие как компьютерное зрение, обработка естественного языка, медицинская диагностика, финансовый анализ и другие.

  Год обучения - 1
  Кредитов - 5
  

• Прогнозная аналитика и интеллектуальный анализ данных

  Курс изучает технологии, опирающиеся на большие массивы данных, для разработки сценариев будущего поведения людей и принятия оптимальных решений. Рассматривается прогнозная аналитика, включающая множество методов из статистики, интеллектуального анализа данных. Для прогноза о будущих событиях проводится анализ как текущих данных, так и данные за прошлые периоды. А также изучаются модели прогнозирования поведения потенциальных клиентов, выявления наиболее популярных продуктов и услуг.

  Год обучения - 1
  Кредитов - 5
  

• Академическое письмо

  Цель: Сформировать у докторантов и молодых исследователей системные компетенции в области академического письма как ключевого инструмента научной коммуникации и публикационной деятельности. Содержание: Научный дискурс и академическая коммуникация; Типология научных текстов: от диссертации к публикации; Создание оригинального научного контента; Научный текст: структура и логика построения; Сравнительный анализ источников и подготовка литературного обзора; Работа с метаданными и наукометрическими инструментами; Подготовка статей для международных рецензируемых журналов; Работа с рецензиями и научным сообществом; Академическая мобильность и грантовая поддержка исследований; Аннотации, патенты, отчеты: наука вне статьи; Планирование публикационной стратегии и исследовательской карьеры; Английский язык научной коммуникации.

  Год обучения - 1
  Кредитов - 5
  

• Natural Language Processing

  В курсе рассматриваются теоретические аспекты NLP, включая базовые сведения из области лингвистики, и практические методы обработки текстов. Рассматриваются классические алгоритмы обработки текстовой информации, такие как регулярные выражения, измерение расстояний, подстановок, поиск строк и подстрок. Лингвистические деревья. Корпус текста. Таксономия. Рассматриваются модели Word2Vec, Text Embeding, LSTM модели нейронных сетей. Изучаются существующие библиотеки анализа текстовой информации.

  Год обучения - 1
  Кредитов - 5
  

Профессии

Результаты обучения

• Извлекать нужную информацию из всевозможных источников, включая информационные потоки в режиме реального времени, разрабатывать научные, технические и инновационные решения для информационной инфраструктуры предприятия с учетом возможностей технологий больших данных.
• Применять методы обработки текстовой информации, использовать принципы построения векторных представлений слов и текстов, проектировать архитектуру диалоговых систем, разрабатывать классификаторы текстов и алгоритмы выявления тематик.
• Применять методы машинного обучения применительно к задачам обработки больших данных, вести научные изыскания, организовывать работы по сбору, хранению и обработке информации.
• Проводить стилистический анализ научных, научно-технических и научно-популярных текстов, применять методику работы с текстом, включая поиск информации в справочной, специальной литературе и компьютерных сетях, использовать навыки ораторского искусства, правильного и логичного оформления своих мыслей в устной и письменной форме.
• Создавать аналитические системы и рекомендательные сервисы на основе алгоритмов машинного обучения и глубокого обучения.
• Применять методологию научного познания, принципы и структуру проведения научных исследований, использовать экспериментальные и теоретические методы исследования в области искусственного интеллекта и науки о данных с учетом влияния технологий на общество и окружающую среду, соблюдая принципы открытого, инклюзивного и этически ответственного научного подхода.
• Интегрировать знания, полученные в рамках разных дисциплин для решения научно-исследовательских задач в новых незнакомых условиях и генерации новых идей в контексте научных исследований в области искусственного интеллекта и науки о данных.
• Применять различные виды моделей, используемых при разработке систем искусственного интеллекта, описывать взаимосвязь между моделями и разработкой систем искусственного интеллекта.

Похожие ОП