8D06105 Математическое и компьютерное моделирование в ЕНУ им. Л. Н. Гумилева

Дисциплины

• Академическое письмо

  Использование технологий искусственного интеллекта при сборе, обработке, анализе и систематизации информации в биологии. Выдвижение гипотезы, генерирование собственного понимания проблемы в области биологии. Специфика основных жанров академического текста: научного, информационного, профессионально ориентированного. Параметры пересечения академического и делового дискурса, оформление и вербализация академических знаний с учетом особенностей научной деятельности в области биологических наук.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• Метод Монте-Карло и приближенные вычисления

  Результатом курса будет углубленное изучение и овладениестохастическими аналогами известных численных методов. Рассматривается наиболее упетребительные методы позволящие решить как можно более широкий круг задач. В результате изучения дисциплины докторанты должны знать процесс моделирования сложных систем, которые сводится к решениям задач: переноса излучений, газовой динамики, финансовой математики и массового обслуживания.. Приобретать навыки применения методов Монте-Карло и приближенных вычислении для задач вышеуказанных процессов.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• Обратные задачи на графах

  Теоретическое обоснование обратных задач с конечным числом распределенных параметров на графах. Постановки задач тщательно отобраны с точки зрения новых подходов к теории обратных задач с цельюрасширения их применений в технике и биологии.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• Теория и проектирование линейных управляемых систем

  Результатом курса будетуглубленное изучение докторантами фундаментальных линейных методов проектирования анализа и управления системой. Этот курс представляет теорию, изменяющихся во времени линейных систем с частой специализации инвариантных по времени систем, а также применение к механическим системам. Студенты получат базовые знания в области линейной теории систем, которая является достаточной глубины, чтобы приступить к чтению тематической литературы.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• Математические модели актуальных задач механики сплошной среды

  Ознакомить: с некоторыми математическими моделями МСС; с вычислительными методами и программами для решения задач гидродинамики. Использовать вычислительные методы и программы для решения задач гидродинамики. Знать простейшие модели движения жидких сред; вычислительные методы и программы для классических и прикладных задач. Уметь применять конечно-разностные методы и овладеть современными программными продуктами (COMSOL) и другие для вычисления характеристик потоковых процессов. Применять полученные знания для решения прикладных задач математического моделирования; овладеть навыками и приемами использования теоретических знаний в практических целях: уметь находить решения аналитически и численно, используя вычислительные методы.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Методы научных исследований

  Изучение понятий метода, методики и методологии научного исследования. Проводить классификацию методов исследования: всеобщие, общенаучные и специальные методы; теоретические и эмпирические методы исследования. Умение анализировать полученные сведения, синтезировать полученные результаты проведенного анализа, проводить аналогию о сходстве двух предметов в каком-либо признаке на основании установленного их сходства в других признаках и моделировать объект посредством моделей с переносом полученных знаний на оригинал. Анализировать, обрабатывать обширные данные, оптимизировать ресурсы, полученные из различных химических исследований, с помощью инструментов искусственного интеллекта.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Робастное управление нелинейными системами

  Результатом изучения курса будет ознакомить докторантов методами анализа и проектировать управления основных нелинейных систем. В дисциплине изучается теория нелинейных систем и ознокомление применение в механических системах.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Анализ данных и численные методы

  Результатом изучения курса будет освоение докторантами основные идей теории статистического анализа и приобретение навыки в технологии статистических выводов и прогнозов при непосредственной обработке реальных данных и численных методов реализации таких процедур. В результате изучения данного курса докторанты должны статистические, численные и компьютерные аспекты обработки экспериментальных данных различных областей исследования.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Искусственный интеллект и нейронные сети

  Курс «Искусственный интеллект и нейронные сети» направлен на освоение основ искусственного интеллекта, принципов и методов работы с нейронными сетями и глубоким обучением. В рамках курса обучающиеся изучат различные архитектуры нейронных сетей, а также подходы к их обучению и оптимизации. Особое внимание будет уделено применению нейронных сетей в таких областях, как компьютерное зрение, обработка естественного языка, анализ аудио и текста. Курс также включает знакомство с популярными библиотеками для глубокого обучения на Python, такими как TensorFlow и PyTorch, с практическим применением этих инструментов для разработки собственных моделей. В результате изучения курса обучающие будут: - владеть технологими и методами ИИ; - иметь компетенции в создании и обучении нейронных сетей, анализе и интерпретации результатов, а также применении их для решения различных практических задач, таких как компьютерное зрение, естественный язык, аудио и текстовый анализ. Они также научатся использовать библиотеки глубокого обучения для построения и обучения моделей, а также понимать принципы оптимизации и переобучения нейронных сетей.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

Профессии

Результаты обучения

• Использовать методы State-space для анализа и проектирования линейной обратной связи системы контроля и реализовывать численные методы решения задач линейного управления; - освоить основы искусственного интеллекта и ставить задачи и адаптировать методы и алгоритмы машинного обучения, проводить сравнительный анализ и осуществлять выбор инструментальных средств для решения задач машинного обучения, применять современные инструментальные средства и системы программирования для разработки новых методов и моделей машинного обучения.
• Применять интерактивные методы и инструменты при проведении исследований в определенных областях математического моделирования; создавать собственные аналитические модели и применять их к решению задач в различных сферах жизнедеятельности; иметь навыки анализа и синтеза передовых достижений в области научной специализации на базе целостного системного научного мировоззрения
• Сопоставлять достижения современного математического моделирования с реалиями практики; вырабатывать свою точку зрения в профессиональных вопросах и отстаивать ее во время дискуссии со специалистами и неспециалистами, также оперировать методами прикладных исследований с применением математического и компьютерного моделирования.
• Формулировать математическую модель, исходя из принципов математического моделирования, выбирать и адаптировать адекватную математическую модель и реализовать численные методы решения поставленной задачи средствами программирования на алгоритмических языках и с применением математических пакетов. Применять статистические, численные и компьютерные аспекты обработки экспериментальных данных различных областей исследования, осуществлять реализацию при обработке реальных данных и применения технологии статистических выводов и прогнозов при непосредственной обработке реальных данных и численных методов реализации таких процедур. Применять технологии data mining при работе с данными; Искать оптимальные решения и разрабатывать альтернативные методы анализа рядов данных;
• Освоить знания в области академического письма и применять полученные навыки при оформлении научно-исследовательских работ
• Приобретать навыки применения методов Монте-Карло и приближенных вычислении при решение задачи математической физики; оперировать навыками использования статистических методов моделирования при приближенной оценке статистических параметров и анализеполученных решений различных задач
• Анализировать системы второго порядка, описания фазовых плоскостей онлайновых явлений, предельные циклы, устойчивость, прямой и косвенный метод Ляпунова, линеаризацию, линеаризацию обратной связи, дизайн на основе Ляпунова и обратную сторону; разрабатывать базовые знания теории нелинейных систем, которые имеют достаточную глубину, чтобы начать чтение предметной литературы, также нелинейными средствами управления обратной связью включать линеаризацию, линеаризацию обратной связи, реорганизацию Ляпуноваиобратнуюсторону
• Владеть методами классической алгебры на примере методов научных исследований и применения их в научно-исследовательской работе. Алгебра – это наука о свойствах множеств на которых определена та или иная система операций. Здесь рассматриваются фундаментальные вопросы классических алгебр, такие как группоиды, кольца и тела, а так же решеток на примере методов научных исследований
• Использовать вычислительные методы и программы для решения задач гидродинамики, решать прикладные и классические задачи аналитически и численно. Применять конечно-разностные методы и современные программные продукты (COMSOL) и другие для вычисления характеристик потоковых процессов. Применять полученные знания для решения прикладных задач математического моделирования;

Похожие ОП