8D06105 Наука о данных в МУИТ (IITU)

Дисциплины

• Обусловленность систем линейных уравнений

  Целью преподавания дисциплины "Обусловленность систем линейных уравнений" предназначенного для PhD студентов, является исследование на компьютерах спектральных проблем с симметричными матрицами и решения произвольных систем уравнений. Задачи изучения учебной дисциплины: - освоение спектральных проблем с симметричными матрицами и решения произвольных систем уравнений применяемых на практике и в науке; - освоение навыков составления программы и использования коммерческих программ для решения спектральных проблем с симметричными матрицами и решения произвольных систем уравнений и интерпретирование результаты численных расчетов.

  Год обучения - 1
  Семестр - 1
  Кредитов - 4
  

• Методы и алгоритмы машинного обучения

  "Для построения метода машинного обучения используется средства математической статистики, численных методов, математического анализа, методов оптимизаций и различные техники работы с данными в цифровой форме. Поэтому машинное обучение относится к классу методов искусственного интеллекта. В предлагаемом курсе методы машинного обучения реализуются на конкретном примере процесса переноса и тепла в однородной и неоднородной среде. Сначала рассматриваются различные классы задач для уравнений переноса влаги и тепла. Затем построится математические модели рассматриваемых задач. Разрабатываются методы решения обратных и некорректных задач для каждого класса задач. Разрабатываются алгоритмы решения изучаемых задач. Составляются коды и проводятся вычислительные эксперименты на основе известных экспериментальных данных."

  Год обучения - 1
  Семестр - 1
  Кредитов - 4
  

• Академическое письмо

  Курс «Академическое письмо» является обязательным компонентом докторской программы Ph.D. Это практический 5-ти кредитный курс продолжительностью один семестр, который, базируясь на исследовательских навыках докторантов и знании английского языка, развивает и углубляет их навыки академического письма, необходимые в проведении научных исследований, написании научных статей и диссертации. В рамках курса докторанты будут вовлечены в интенсивное чтение, изучение стратегии и форматов академического письма, которые они научатся самостоятельно применять при освоении и получении степени Ph.D. К концу курса студенты должны организовать и представить портфолио по своим исследованиям и написать подробный план исследовательской статьи.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• Игровое моделирование и приложения

  Целями освоения дисциплины «Игровое моделирование и приложения» являются освоение профессиональных знаний в области математической теории принятия решений, формирование навыков в области математического моделирования ситуаций конфликта и кооперации. Задачи дисциплины: построение моделей принятия решений в ситуациях конфликта и кооперации, овладение принципами оптимальности в указанных ситуациях, аксиоматическим подходом при математической формализации концепций справедливости и рациональности.

  Год обучения - 1
  Семестр - 1
  Кредитов - 4
  

• Продвинутые проблемы глубокого обучения

  Целью курса является изучение и применение в различных задачах методы нейронных сетей, применение методов глубокого обучения в практических задачах, эффективное управление нейронными сетями, применение методов регуляризации для глубокого обучения и алгоритма градиентного спуска для различных типов обратных задач и их применения в промышленности и экономики.

  Год обучения - 1
  Семестр - 1
  Кредитов - 4
  

• Нелинейные оптимизационные проблемы машинного обучения

  Целью преподавания дисциплины "Нелинейные оптимизационные проблемы" является обучение PhD студентов методам решения обратных и некорректных задач применяемых в науке данных. Задачи изучения учебной дисциплины: - освоение оптимизационных методов решения обратных и некорректных задач применяемых на практике и в науке; - освоение навыков составления программы и использования коммерческих программ для решения обратных и некорректных задач и интерпретировать результаты численных расчетов.

  Год обучения - 1
  Семестр - 2
  Кредитов - 4
  

• Перечислительная комбинаторика

  Целью курса является приобретение навыков применения методов перечислительной комбинаторики к научным исследованиям в различных областях. Курс охватывает такие темы, как биномиальные коэффициенты, формула включения и исключения, нелинейное повторение: многогранность каталонских чисел, производящие функции, генерирующие функции, производящая функция Эйлера для разбиений и пятиугольная формула.

  Год обучения - 1
  Семестр - 2
  Кредитов - 4
  

• Глубокое обучение в прикладной математике

  Целью курса является применение и обучение методов глубоких нейронных сетей в задачах с уравнениями в частных производных, также применение методов стохастического градиента для решения прикладных задач с помощью MATLAB, который настраивает и обучает сети курсовая, использование современного программного обеспечения для решения крупномасштабной проблемы классификации изображений.

  Год обучения - 1
  Семестр - 2
  Кредитов - 4
  

• Прикладной статистический анализ

  Дать докторантам знания о многообразии современных подходов статистического исследования, исследовать современные статистические методы, привить критический подход при отборе инструментов анализа и осознание необходимости тщательного тестирования статистической адекватности получаемых моделей, а также развить навыки содержательной интерпретации результатов.

  Год обучения - 1
  Семестр - 2
  Кредитов - 4
  

• Методы научных исследований

  Курс представляет для докторантов методологию исследований в области информационных систем. Темы курса: важность исследований и некоторые методологии исследования информационных технологий, то есть формальный метод, разработка прототипа, эксперимент и оценка; методы написания результатов, такие как написание отчетов, написание статей и написание тезисов; оформление результатов исследований; написание исследовательских предложений.

  Год обучения - 1
  Семестр - 2
  Кредитов - 4
  

Профессии

Результаты обучения

• Проводить статистический анализ: построить доверительный интервал, тестирование гипотез, регрессионный и дисперсионный анализ.
• Обосновать результатов, полученные в ходе исследования
• Решать прикладные задачи по обработке и анализу данных на предмет выявления в них скрытых зависимостей.
• Применять методологии исследования в области науки о данных.
• Умеет составлять математическую модель практической задачи и разрабатывать компьютерный модель (программный продукт)
• Умеет проводить анализ данных с помощью программного языка Python.
• Проводить комплексный анализ и аналитически обобщать результаты научно-исследовательских работ с использованием современных достижений науки и техники, навыки самостоятельного сбора данных, изучения, анализа и обобщения.

Похожие ОП