6B06102 Искусственный интеллект и наука о данных в ТарГУ им. Дулати

Дисциплины

• Математика

  Целью изучения дисциплины «Математика» является подготовка студентов по математике, как базы для освоения дисциплин профессиональной направленности, способствующих готовности выпускника к профессиональной деятельности. Будут изучены основные разделы теории линейной и векторной алгебры, аналитической геометрии, математического анализа.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• Дискретная математика и математическая логика

  Цель дисциплины – сформировать у студентов способность распознавать, интерпретировать и объяснять основные понятия дискретной математики и математической логики, а также применять их для моделирования, анализа и проектирования информационных структур, логических схем и алгоритмов. В результате студент способен классифицировать дискретные структуры, решать логические задачи, анализировать и синтезировать алгоритмы, обосновывать корректность решений, разрабатывать формальные модели и оценивать их применимость в различных областях цифровых технологий.

  Год обучения - 1
  Семестр - 2
  Кредитов - 4
  

• Алгебра логики и комбинаторика

  Цель дисциплины – сформировать у студентов умение определять, преобразовывать и применять логические и комбинаторные модели для решения прикладных задач, связанных с построением цифровых схем и анализом дискретных структур. В результате студент способен вычислять значения логических выражений, моделировать комбинаторные ситуации, оптимизировать логические схемы, использовать принципы сочетаний и размещений, сравнивать комбинаторные стратегии, прогнозировать исходы при ограничениях.

  Год обучения - 1
  Семестр - 2
  Кредитов - 4
  

• Алгоритмизация и основы программирования

  Цель дисциплины - формирование у студентов знаний об основных понятиях алгоритмизации и программирования и структурах алгоритмов и данных. Будут изучены: методы построения алгоритмов, анализ алгоритмов, методы и технологии построения программ, алгоритмы линейного, разветвляющего и циклического типа, обработка массивов, различные алгоритмы внутренней сортировки информации и задачи поиска.

  Год обучения - 1
  Семестр - 2
  Кредитов - 7
  

• Программирование на языке Python

  Целью дисциплины является: овладение современными понятиями и способами написания программ, необходимыми в профессиональной практической деятельности, развитие навыков программирования на языке Python; формирование у обучаемых практических знаний для самостоятельного создания и использования сложных структур, данных; разработка архитектуры, алгоритмических и программных решений системного и прикладного программного обеспечения.

  Год обучения - 1
  Семестр - 3
  Кредитов - 5
  

• Введение в искусственный интеллект

  Цель дисциплины – сформировать у студентов представление об основах искусственного интеллекта, научить распознавать, объяснять и применять базовые методы ИИ для решения типовых задач, связанных с интеллектуальной обработкой данных и автоматизацией принятия решений. В результате студент способен идентифицировать ключевые направления ИИ, оценивать применимость алгоритмов, реализовывать простейшие модели машинного обучения, анализировать поведение интеллектуальных систем, выбирать подходящие методы для задач классификации, поиска и планирования.

  Год обучения - 1
  Семестр - 3
  Кредитов - 4
  

• SQL и анализ данных

  Цель дисциплины – сформировать у студентов навыки формулировать, запрашивать и анализировать данные с использованием SQL, а также применять методы обработки и визуализации данных для принятия обоснованных решений. В результате студент умеет составлять SQL-запросы, объединять и фильтровать данные, агрегировать информацию, интерпретировать результаты запросов, создавать отчёты и визуализировать данные, делать выводы на основе анализа.

  Год обучения - 1
  Семестр - 3
  Кредитов - 4
  

• Технологии структурирования и обработки данных на языке Python

  Цель дисциплины – сформировать у студентов умения структурировать, обрабатывать и анализировать данные с использованием языка Python, развить навыки программной обработки, очистки, трансформации, визуализации и интерпретации данных. В результате студент способен применять основные библиотеки для работы с данными, реализовывать алгоритмы обработки информации, выполнять предварительный анализ, визуализировать результаты и использовать полученные навыки для решения практических и исследовательских задач.

  Год обучения - 2
  Семестр - 1
  Кредитов - 6
  

• Введение в Data Science

  Цель дисциплины – сформировать у студентов базовые знания и навыки для определения, сбора, обработки и интерпретации данных, а также применения методов анализа данных для выявления закономерностей и принятия обоснованных решений. В результате студент умеет составлять планы анализа данных, преобразовывать данные для дальнейшей обработки, визуализировать результаты, выбирать подходящие аналитические методы и оценивать достоверность выводов на основе данных.

  Год обучения - 2
  Семестр - 1
  Кредитов - 4
  

• Методы машинного обучения

  Цель дисциплины – сформировать у студентов способность объяснять, выбирать и применять методы машинного обучения для моделирования, обучения и предсказания на основе данных различной структуры и объёма. В результате студент умеет подготавливать обучающие выборки, разрабатывать и тренировать модели, настраивать гиперпараметры, оценивать качество предсказаний, сравнивать алгоритмы обучения и интерпретировать результаты в контексте конкретных задач.

  Год обучения - 2
  Семестр - 1
  Кредитов - 5
  

• Прикладная аналитика и обработка данных

  Цель дисциплины – сформировать у студентов навыки извлекать, анализировать и интерпретировать данные из различных источников, а также применять прикладные аналитические инструменты для оптимизации бизнес-процессов и принятия управленческих решений. В результате студент способен разрабатывать аналитические отчёты, обосновывать выводы на основе прикладных данных, использовать инструменты анализа трендов, сегментировать аудиторию, автоматизировать обработку данных и визуализировать ключевые показатели эффективности.

  Год обучения - 2
  Семестр - 1
  Кредитов - 4
  

• Теория вероятностей и математическая статистика

  Цель дисциплины – сформировать у студентов способность объяснять, применять и анализировать вероятностные модели и статистические методы для оценки случайных явлений и принятия решений в условиях неопределенности. В результате студент умеет рассчитывать вероятности событий, строить распределения случайных величин, интерпретировать статистические данные, оценивать параметры выборки, проверять гипотезы, принимать решения на основе статистических выводов, использовать вероятностные методы в прикладных задачах.

  Год обучения - 2
  Семестр - 1
  Кредитов - 5
  

• Правовое регулирование искусственного интеллекта

  Цель дисциплины – сформировать у студентов умения интерпретировать, применять и оценивать правовые нормы, стандарты, международные инициативы и практики, направленные на обеспечение прозрачности и ответственности при разработке и использовании ИИ. В результате студент способен определять правовой статус ИИ-систем, анализировать нормативно-правовые акты, формулировать рекомендации по соблюдению законодательства и учитывать правовые ограничения при разработке ИИ.

  Год обучения - 2
  Семестр - 1
  Кредитов - 5
  

• Этика и безопасность использования искусственного интеллекта

  Цель дисциплины – сформировать у студентов способность распознавать, анализировать и оценивать этические аспекты использования искусственного интеллекта, а также принимать обоснованные решения с учётом принципов ответственности, конфиденциальности и прозрачности. В результате студент умеет определять потенциальные риски ИИ, сравнивать подходы к регулированию, аргументировать выбор этически корректных решений, выявлять угрозы безопасности, прогнозировать социальные последствия и разрабатывать рекомендации по ответственному использованию ИИ.

  Год обучения - 2
  Семестр - 1
  Кредитов - 5
  

• Экономика и предпринимательство, Основы права, Финансовая грамотность

  Цель дисциплины — ознакомить студентов с основными принципами и законами экономики и предпринимательства, научить эффективно осуществлять предпринимательскую деятельность в условиях рыночной экономики; обучить основам правовой системы и законодательства, а также развивать сознание и навыки, направленные на создание справедливого общества через борьбу с коррупцией и формирование правовой культуры; совершенствовать финансовые знания, развивать навыки эффективного управления личными финансами, а также формировать необходимые знания и навыки для правильного выбора финансовых продуктов и инвестиций.

  Год обучения - 2
  Семестр - 2
  Кредитов - 5
  

• Программирование на основе классов и объектов

  Цель дисциплины – сформировать у студентов умения проектировать, реализовывать и модифицировать программные решения с использованием принципов объектно-ориентированного программирования, включая инкапсуляцию, наследование и полиморфизм. В результате студент способен разрабатывать классы и объекты, структурировать код в соответствии с принципами ООП, управлять взаимодействием объектов, расширять функциональность через наследование, переопределять методы, тестировать и отлаживать объектно-ориентированные программы.

  Год обучения - 2
  Семестр - 2
  Кредитов - 8
  

• Охрана труда

  Цель дисциплины - сформировать знания об основном комплексе мероприятий, проводимых по вопросам правово-трудовой, санитарно-гигиенической, организационной, лечебно-профилактической, технической и социально-экономической деятельности. В рамках данной дисциплины будут рассмотрены: оптимизация режимов труда с учетом психофизиологии для повышения производительности труда работников, работников в целом, правильная организация трудовой деятельности рабочего с применением всех требований основных систем стандартов безопасности по охране труда

  Год обучения - 2
  Семестр - 2
  Кредитов - 3
  

• Объектно-ориентированный язык программирования

  Цель дисциплины – формирование знания о принципах и сведениях ООП, а также практических умений и навыков для написания программы на современных языках программирования. В рамках дисциплины будут изучены: абстрагирование, инкапсуляция и понятие класса; статические и нестатические составляющие класса; понятие объекта, создание и уничтожение объекта.

  Год обучения - 2
  Семестр - 2
  Кредитов - 8
  

• Компьютерное зрение и визуальный анализ

  Цель дисциплины – сформировать у студентов знания и навыки распознавать, анализировать и применять методы компьютерного зрения и визуального анализа для обработки, интерпретации и понимания визуальной информации из изображений и видео. В результате студент способен выделять признаки на изображениях, применять алгоритмы детекции и классификации объектов, создавать модели распознавания, оценивать точность визуального анализа и использовать компьютерное зрение для решения прикладных задач.

  Год обучения - 2
  Семестр - 2
  Кредитов - 7
  

• Основы НИР, коммерциализация и академическое письмо

  Цель дисциплины – формирование понятия о целях и задачах научных исследований, подготовка и выработка навыков, необходимых для научной работы. Будут изучены: организация научных исследований в высшей школе, методика исследований, работа с данными и первоисточниками, цели и задачи коммерциализации НИР, освоение научного стиля изложения материала В результате освоения дисциплины студенты приобретут практические навыки выполнения НИР.

  Год обучения - 2
  Семестр - 2
  Кредитов - 4
  

• Преобразование, визуализация и аналитика данных

  Цель дисциплины – развить у студентов умения преобразовывать, структурировать и визуализировать данные, а также применять аналитические методы для выявления скрытых закономерностей и поддержки принятия решений. В результате студент умеет очищать и нормализовать данные, создавать интерактивные визуализации, интерпретировать графические представления, анализировать взаимосвязи между показателями и подготавливать аналитические отчёты на основе обработанных данных.

  Год обучения - 2
  Семестр - 2
  Кредитов - 7
  

• Безопасность жизнедеятельности, Экология и устойчивое развитие

  Цель дисциплины – ознакомление с основами безопасности жизнедеятельности, современными экологическими проблемами и концепциями достижения устойчивого развития. Будут изучены: принципы общей экологии и закономерности развития экосистем с принципами развития человечества, научно-технического прогресса, основные проблемы экологической безопасности РК. В результате обучения дисциплины - студенты будут владеть знаниями и навыками по использованию основных концепций и понятий в области экологической безопасности и жизнедеятельности.

  Год обучения - 2
  Семестр - 3
  Кредитов - 3
  

• Вычислительные графы в Data Science

  Цель дисциплины – сформировать у студентов умения описывать, моделировать и применять вычислительные графы для организации, оптимизации и выполнения процессов обработки и анализа данных в задачах Data Science. В результате студент способен строить графовые модели вычислений, определять зависимости между операциями, анализировать структуры графов, оптимизировать порядок вычислений, использовать графовые фреймворки и оценивать эффективность графовых решений при работе с большими данными.

  Год обучения - 2
  Семестр - 3
  Кредитов - 6
  

• Алгоритмы обучения с подкреплением

  Цель дисциплины – сформировать у студентов способность объяснять, моделировать и применять алгоритмы обучения с подкреплением для решения задач, связанных с принятием решений в динамической среде на основе проб и ошибок. В результате тудент умеет определять элементы среды обучения, реализовывать базовые алгоритмы (Q-learning, SARSA), оценивать стратегию агента, настраивать параметры обучения, анализировать поведение модели и использовать методы обучения с подкреплением в прикладных задачах.

  Год обучения - 2
  Семестр - 3
  Кредитов - 6
  

• Нейросетевые технологии

  Цель дисциплины – сформировать у студентов компетенции, позволяющие понимать, анализировать, проектировать и применять нейросетевые технологии для решения задач классификации, распознавания образов, прогнозирования и автоматизации интеллектуальных процессов в различных предметных областях. В результате студент способен разрабатывать архитектуры нейронных сетей, подготавливать обучающие данные, обучать и оптимизировать модели, использовать современные инструменты и фреймворки, оценивать эффективность решений и адаптировать нейросетевые технологии под специфические прикладные задачи.

  Год обучения - 2
  Семестр - 3
  Кредитов - 4
  

• Применение ИИ в инклюзивном образовании

  Цель дисциплины – сформировать у студентов способность идентифицировать, анализировать и применять технологии искусственного интеллекта для поддержки и адаптации образовательных процессов с учётом разнообразия потребностей обучающихся. В результате студент умеет определять барьеры в обучении, подбирать ИИ-инструменты для инклюзии, разрабатывать адаптивные решения, оценивать эффективность цифровой поддержки, прогнозировать влияние ИИ на доступность образования и обосновывать выбор технологий для конкретных образовательных ситуаций.

  Год обучения - 2
  Семестр - 3
  Кредитов - 3
  

• Встроенные интеллектуальные устройства

  Цель дисциплины – сформировать у студентов способности проектировать, программировать и использовать встроенные интеллектуальные устройства для реализации адаптивных и автономных функций в физических и киберфизических системах. В результате студент умеет разрабатывать архитектуры умных устройств, интегрировать сенсоры и исполнительные модули, реализовывать алгоритмы обработки данных на микроконтроллерах, настраивать взаимодействие с внешней средой и оценивать функциональность и эффективность встроенных интеллектуальных решений.

  Год обучения - 3
  Семестр - 1
  Кредитов - 6
  

• Машинное обучение на микроконтроллерах

  Цель дисциплины – сформировать у студентов умения разрабатывать, внедрять и оптимизировать модели машинного обучения для использования на микроконтроллерах с ограниченными ресурсами в задачах реального времени. В результате студент способен адаптировать ML-модели для встроенных систем, применять инструменты, такие как TensorFlow Lite, проводить квантизацию и сжатие моделей, загружать их на микроконтроллер, тестировать поведение в условиях ограничений и оценивать производительность встроенных интеллектуальных решений.

  Год обучения - 3
  Семестр - 1
  Кредитов - 6
  

• Реактивные технологии в web-разработке

  Цель дисциплины – сформировать у студентов умения понимать, разрабатывать и внедрять реактивные веб-интерфейсы, используя современные фреймворки и подходы для обеспечения динамичного и отзывчивого пользовательского взаимодействия. В результате студент способен создавать компонентные структуры, реализовывать двустороннюю привязку данных, управлять состоянием приложений, применять асинхронное взаимодействие с сервером и оптимизировать производительность реактивных веб-приложений с использованием современных инструментов разработки.

  Год обучения - 3
  Семестр - 1
  Кредитов - 6
  

• Глубокое обучение

  Цель дисциплины – сформировать у студентов умения анализировать, проецировать и применять методы глубокого обучения для решения сложных задач, связанных с обработкой больших объемов неструктурированных данных. В результате студент способен разрабатывать многослойные нейронные сети, выбирать оптимальные архитектуры (CNN, RNN, трансформеры и др.), обучать модели на глубоком уровне, оценивать переобучение, регулировать сложность сети и внедрять решения в прикладные области.

  Год обучения - 3
  Семестр - 1
  Кредитов - 7
  

• Интерпретируемость нейронных сетей

  Цель дисциплины – сформировать у студентов способность анализировать, оценивать и интерпретировать поведение нейронных сетей с целью повышения прозрачности моделей и обоснования принимаемых ими решений. В результате студент умеет применять методы визуализации внутренних слоёв, использовать техники объяснимого ИИ (XAI), идентифицировать важные признаки, оценивать вклад входных данных в предсказания, сравнивать модели по интерпретируемости и обосновывать выбор архитектур с учётом требований к прозрачности.

  Год обучения - 3
  Семестр - 1
  Кредитов - 6
  

• Генеративные нейросети

  Цель дисциплины – сформировать у студентов умения объяснять, моделировать и применять генеративные нейросетевые архитектуры для создания новых данных, восстановления информации и решения творческих задач в различных прикладных сферах. В результате студент умеет различать типы генеративных моделей (GAN, VAE и др.), разрабатывать простейшие генеративные архитектуры, обучать их на выборках, оценивать качество сгенерированных данных и использовать модели для синтеза изображений, текста и других структур.

  Год обучения - 3
  Семестр - 1
  Кредитов - 6
  

• Облачные вычисления и машинное обучение

  Цель дисциплины – развить у студентов умение использовать, настраивать и оценивать облачные платформы для развёртывания, масштабирования и автоматизации процессов машинного обучения в распределённых вычислительных средах. В результате студент способен выбирать облачные сервисы под задачи ML, загружать и обрабатывать данные в облаке, разворачивать модели, управлять вычислительными ресурсами, отслеживать метрики обучения и оптимизировать производительность ML-процессов в облачной инфраструктуре.

  Год обучения - 3
  Семестр - 1
  Кредитов - 6
  

• Нейросети в системах управления и навигации

  Цель дисциплины – cформировать у студентов способность анализировать, проектировать и применять нейросетевые модели для управления и навигации в интеллектуальных системах, включая автономные и киберфизические устройства. В результате студент умеет разрабатывать нейросетевые алгоритмы стабилизации и слежения, интегрировать модели в управляющие контуры, обрабатывать сенсорные данные, обучать системы навигации в реальном времени и оценивать точность и надёжность решений в динамической среде.

  Год обучения - 3
  Семестр - 2
  Кредитов - 7
  

• Модульное интеграционное и системное тестирование

  Цель дисциплины – сформировать у студентов навыки планировать, разрабатывать и выполнять модульное, интеграционное и системное тестирование для обеспечения качества и надежности программного обеспечения. В результате студент способен создавать тест-кейсы для отдельных модулей, выявлять и локализовать ошибки при взаимодействии компонентов, проводить системное тестирование полного приложения, использовать автоматизированные средства тестирования и оценивать покрытие и эффективность тестовых сценариев.

  Год обучения - 3
  Семестр - 2
  Кредитов - 6
  

• Обработка естественного языка NLTK

  Цель дисциплины – сформировать у студентов навыки анализировать, обрабатывать и интерпретировать текстовые данные с использованием инструментов библиотеки NLTK для решения задач обработки естественного языка. В результате студент умеет проводить токенизацию, стемминг и лемматизацию, извлекать синтаксические и семантические особенности текста, строить модели на основе корпуса, применять методы классификации и оценивать качество обработки текстовой информации в прикладных задачах.

  Год обучения - 3
  Семестр - 2
  Кредитов - 6
  

• Разработка интеллектуальных агентов

  Цель дисциплины – сформировать у студентов умения проектировать, реализовывать и оценивать интеллектуальных агентов, способных взаимодействовать, принимать решения и адаптироваться к изменениям окружающей среды в автономном режиме. В результате студент способен разрабатывать архитектуры агентов, моделировать поведение в различных сценариях, использовать методы планирования и обучения, обеспечивать адаптивность и устойчивость решений, а также анализировать эффективность взаимодействия агентов в многоагентных системах.

  Год обучения - 3
  Семестр - 2
  Кредитов - 6
  

• Параллельная и асинхронная обработка данных

  Цель дисциплины – сформировать у студентов умения объяснять, реализовывать и оптимизировать параллельную и асинхронную обработку данных для повышения производительности вычислительных процессов и эффективного использования ресурсов. В результате студент способен применять многопоточность и асинхронное программирование, распределять задачи между потоками и процессами, выявлять узкие места в производительности, синхронизировать потоки данных и оценивать эффективность параллельных решений в прикладных задачах.

  Год обучения - 3
  Семестр - 2
  Кредитов - 7
  

• Сверточные и резидуальные нейронные сети

  Цель дисциплины – сформировать у студентов умения объяснять, конструировать и применять сверточные и резидуальные нейронные сети для решения задач распознавания, классификации и извлечения признаков из сложных структур данных. В результате студент способен создавать архитектуры CNN и ResNet, настраивать слои свёртки и остаточные блоки, анализировать влияние глубины сети на производительность, оптимизировать обучение и оценивать качество извлечённых признаков в прикладных задачах.

  Год обучения - 3
  Семестр - 2
  Кредитов - 6
  

Профессии

Результаты обучения

• Демонстрировать понимание исторических, философских, социально-правовых и экономических процессов в развитии общества, критически анализировать общественные явления, аргументированно оценивать социальные и правовые ситуации, применять принципы финансовой грамотности и предпринимательского мышления для принятия обоснованных решений в профессиональной и социальной деятельности.
• Оценивать воздействие промышленного объекта на окружающую среду, проводить техническую и экологическую экспертизу и аудит, с целью формирования экономики, составлять информацию для работников о безопасных условиях и охране труда на рабочих местах, о риске повреждения здоровья и предоставляемых им гарантиях
• Анализировать математические модели, применять методы дискретной математики, алгебры логики, комбинаторики, теории вероятностей и математической статистики при решении прикладных задач, формировать логически обоснованные выводы, демонстрировать навыки математического мышления и использования формальных методов в профессиональной и исследовательской деятельности.
• Разрабатывать алгоритмы, применять основы структурного и объектно-ориентированного программирования, использовать язык Python и SQL для обработки, анализа и визуализации данных, моделировать программные решения с использованием классов и объектов, интерпретировать результаты вычислений, демонстрируя владение инструментами программной инженерии в профессиональной деятельности.
• Анализировать принципы и области применения искусственного интеллекта, интерпретировать этические и правовые аспекты его использования, разрабатывать решения с применением методов Data Science и аналитики данных, применять вычислительные графы для структурирования процессов анализа, формулировать и обосновывать научные идеи с использованием академического письма, учитывать инклюзивные подходы при внедрении ИИ.
• Разрабатывать модели машинного обучения, применять алгоритмы обучения с подкреплением и компьютерного зрения, выполнять визуализацию и анализ данных, использовать облачные вычисления для масштабирования решений, оценивать эффективность моделей в прикладных задачах обработки и интерпретации данных.
• Проектировать и обучать нейросетевые модели, включая сверточные, резидуальные и генеративные архитектуры, применять методы глубокого обучения, обеспечивать интерпретируемость и надежность решений, использовать нейросети в управлении и навигации, анализировать архитектуры, оценивать точность и прикладную применимость моделей в профессиональной деятельности.
• Разрабатывать интеллектуальных агентов и встроенные устройства, применять NLTK для обработки текста, реализовывать асинхронную обработку данных, внедрять реактивные веб-технологии, выполнять тестирование и программировать микроконтроллеры с элементами машинного обучения, оценивая надежность решений.

Похожие ОП