7M06103 Прикладная аналитика данных в Astana IT University

Дисциплины

• Педагогика высшей школы

  Содержание курса направлено на приобретение магистрантом знаний о теоретических основах педагогической теории и педагогического мастерства, управлении учебно-воспитательным процессом для преподавания в высшей школе, формирование представления об основных категориях педагогики, о месте, роли и значении педагогики высшей школы, понимание базовых принципов современной педагогики и методических подходов к решению педагогических задач высшей школы.

  Год обучения - 1
  Семестр - 1
  Кредитов - 4
  

• Иностранный язык (профессиональный)

  Целью курса является формирование иноязычной профессионально - ориентированной коммуникативной компетенции магистрантов, позволяющей интегрироваться в международную профессиональную среду для межкультурного и профессионального общения.

  Год обучения - 1
  Семестр - 1
  Кредитов - 4
  

• Математика для науки о данных

  Дисциплина предназначена для того, чтобы вооружить магистрантов необходимыми знаниями и навыками для эффективной обработки и осмысления сложных наборов данных. Они изучают теоретические основы анализа данных, такие как основные статистические методы и способы манипулирования ими. Также курс охватывает более продвинутые математические темы, лежащие в основе методов машинного обучения, таких как методы градиентного спуска. К концу программы магистранты будут иметь четкое представление о математических основах методов обработки данных.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• Программирование для анализа данных и базы данных

  Данная дисциплина предполагает изучение наиболее актуальных в настоящее время технологий программирования, такие как язык программирования Python и язык статистической обработки данных R. Также в рамках дисциплины будут рассмотрены и изучены основы управления реляционными и нереляционными базами данных.

  Год обучения - 1
  Семестр - 1
  Кредитов - 5
  

• Нейронные сети и методы представления данных

  Дисциплина «Нейронные сети и представление данных» посвящена изучению фундаментальных методов глубокого обучения и способов представления данных для машинного обучения. Курс формирует теоретическую и практическую основу для дальнейшего изучения современных архитектур искусственного интеллекта, включая трансформеры. В рамках курса рассматриваются основные типы нейронных сетей, методы обучения моделей, функции активации, оптимизационные алгоритмы и методы регуляризации. Особое внимание уделяется вопросам подготовки и представления данных, включая числовые, категориальные, текстовые и визуальные данные. Практическая часть курса направлена на разработку и обучение нейронных сетей с использованием современных библиотек машинного обучения, таких как PyTorch, TensorFlow и Keras, а также на применение методов представления данных (embeddings, feature engineering) для задач анализа данных.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Машинное обучение и искусственный интеллект

  Данная дисциплина предполагает изучение основ машинного обучения и искусственного интеллекта, и применение данных знаний для решения реальных прикладных задач. Дисциплина покрывает многие темы обучения с учителем и без учителя. Частично покрывается третий вид задач машинного обучения, так называемое обучение с прикреплением.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Прикладная аналитика данных

  Дисциплина «Прикладная аналитика данных» направлена на формирование практических навыков анализа данных и использования современных инструментов data science для решения прикладных задач. В рамках курса рассматриваются основные этапы аналитического процесса: постановка аналитической задачи, сбор и подготовка данных, очистка и трансформация данных, статистический анализ, визуализация результатов и формирование аналитических выводов. Особое внимание уделяется методам data preprocessing, exploratory data analysis (EDA), statistical analysis и data visualization, а также использованию современных инструментов анализа данных (Python, Pandas, NumPy, Matplotlib, SQL).

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• Оптимизация 1

  Курс охватывает ключевые методы оптимизации, включая поиск экстремумов функций, линейное и нелинейное программирование, теорию численных методов и их применение в разных областях науки и техники. Магистранты изучат алгоритмы решения задач оптимизации и научатся применять их на практике для сложных реальных проблем.

  Год обучения - 1
  Семестр - 2
  Кредитов - 5
  

• История и философия науки

  Содержание курса направлено на приобретение магистрантом знаний о свойствах науки как вида познания и социально-культурного феномена в её историческом развитии; формирование системных представлений об общих закономерностях научного познания в его историческом развитии и изменяющемся социокультурном контексте.

  Год обучения - 1
  Семестр - 2
  Кредитов - 4
  

• Методы и стратегии преподавания

  В рамках дисциплины магистрантам предлагаются разнообразные стратегии и инструменты для создания интерактивной и стимулирующей учебной среды. В ходе курса обучающиеся изучают различные активные методы, такие как групповые проекты, ролевые игры, обратная связь и дискуссии, использование технологий и инструментов для интерактивного обучения и пути адаптации их к специфике IT-дисциплин и интеграции практических заданий и проектов в учебный процесс.

  Год обучения - 1
  Семестр - 3
  Кредитов - 5
  

• Методы и инструменты Big Data

  Этот курс знакомит магистрантов с концепциями больших данных, структуры и инструментами, включая методы обработки распределенных данных, хранения и анализа. Они узнают, как работать с крупномасштабными наборами данных, выбирать соответствующие инструменты больших данных, а также разработать и реализовать масштабируемые решения для анализа данных для приложений реального мира.

  Год обучения - 1
  Семестр - 3
  Кредитов - 5
  

• Оптимизация 2

  Курс углубленно изучает методы решения сложных задач оптимизации, включая динамическое программирование, методы оптимизации для многокритериальных задач, стохастические и эволюционные алгоритмы. Магистранты осваивают подходы к решению задач в условиях неопределенности и научатся применять эти методы для решения реальных проблем в различных областях.

  Год обучения - 1
  Семестр - 3
  Кредитов - 5
  

• Архитектуры трансформеров

  Дисциплина «Архитектуры трансформеров» направлена на углубленное изучение современных архитектур глубокого обучения, основанных на механизме внимания (attention). В рамках курса рассматриваются принципы работы трансформерных моделей, их архитектура, методы обучения и практическое применение в задачах обработки естественного языка (NLP), анализа данных, компьютерного зрения и мультимодальных систем. Особое внимание уделяется пониманию механизмов self-attention, multi-head attention, positional encoding, а также архитектур BERT, GPT, T5, Vision Transformer и мультимодальных моделей. В курсе также рассматриваются вопросы оптимизации, масштабирования моделей, transfer learning и fine-tuning предобученных моделей. Часть курса предполагает работу с современными библиотеками машинного обучения (например, PyTorch, TensorFlow, Hugging Face Transformers) для решения прикладных задач анализа данных и построения интеллектуальных систем.

  Год обучения - 1
  Семестр - 3
  Кредитов - 5
  

• Психология управления

  Содержание курса направлено на формирование системных представлений о психологических закономерностях управленческой деятельности, специфики использования социально - психологических знаний в структуре деятельности менеджера и освоении навыков анализа социально-психологических принципов, лежащих в основе эффективного управления.

  Год обучения - 1
  Семестр - 3
  Кредитов - 4
  

• Марковские цепи и процессы принятия решений

  Данная дисциплина предполагает изучение Марковских цепей, в которых каждый элемент полностью определен предыдущим. Данные цепи широко используются в постановке задач привязки искусственного интеллекта к поведению агента в определенной среде, например, робота в реальном окружении, на чем, например, основывается обучение с подкреплением. В результате изучения дисциплины магистрант должен знать: методы построения вероятностных моделей описывающих стохастическую динамику процессов; системы массового обслуживания; уметь устанавливать свойства решений стохастических систем.

  Год обучения - 2
  Семестр - 1
  Кредитов - 5
  

• Тематическое исследование (Case study) по аналитике данных

  Дисциплина направлена на формирование у магистрантов практических навыков анализа реальных данных через разбор прикладных кейсов из различных предметных областей (бизнес, финансы, городские системы, здравоохранение, цифровые платформы). В рамках курса рассматриваются этапы полного аналитического цикла: постановка задачи, сбор и предобработка данных, выбор методов анализа, построение моделей, интерпретация результатов и принятие решений на основе данных. Особое внимание уделяется развитию критического мышления, умению выбирать адекватные методы анализа под конкретную задачу, а также работе с неидеальными, «шумными» данными. Курс ориентирован на практику и включает разбор реальных кейсов, использование современных инструментов анализа данных (Python, SQL, BI-инструменты) и подготовку аналитических отчетов. В результате магистранты осваивают подходы data-driven decision making и получают опыт решения комплексных аналитических задач.

  Год обучения - 2
  Семестр - 1
  Кредитов - 5
  

• Управление данными

  Дисциплина "Управление данными" направлена на изучение принципов управления данными в современных информационных системах. Курс охватывает полный жизненный цикл данных: сбор, хранение, управление, обеспечение качества и безопасности данных. Особое внимание уделяется Data Governance, Data Architecture, Data Quality Management, Data Risk Management, а также использованию данных в проектной среде.

  Год обучения - 2
  Семестр - 1
  Кредитов - 5
  

• Продвинутые генеративные модели

  Дисциплина «Продвинутые генеративные модели» посвящена изучению методов генерации данных с использованием современных архитектур глубокого обучения. Курс охватывает основные подходы генеративного моделирования, включая Variational Autoencoders (VAE), Generative Adversarial Networks (GAN), Diffusion Models и генеративные трансформеры. Особое внимание уделяется математическим основам генеративного моделирования, вероятностным моделям, обучению генеративных сетей и применению генеративного ИИ для создания текстов, изображений, аудио и других типов данных. Практическая часть курса включает реализацию генеративных моделей с использованием PyTorch, TensorFlow и Hugging Face, а также работу с современными генеративными системами.

  Год обучения - 2
  Семестр - 1
  Кредитов - 5
  

• Принятие решений, основанных на данных

  Дисциплина предназначена для того, чтобы вооружить магистрантов навыками и знаниями, необходимыми для принятия обоснованных решений на основе анализа данных. Магистранты узнают, как собирать, очищать, анализировать и интерпретировать данные для получения полезной информации и принятия стратегических решений. Учебная программа охватывает такие темы, как методы сбора данных, предварительная обработка данных, исследовательский анализ данных, статистическое моделирование, прогнозная аналитика и визуализация данных. С помощью практических приложений и тематических исследований магистранты разовьют способность эффективно передавать информацию, основанную на данных, заинтересованным сторонам. Эта дисциплина развивает у магистрантов критическое мышление и способности к решению проблем, позволяя им принимать решения, основанные на данных, которые положительно влияют на организации.

  Год обучения - 2
  Семестр - 2
  Кредитов - 4
  

• Сервисная модель в управлении проектами

  Курс посвящен ключевым компонентам модели обслуживания в управлении проектами, включая проектирование услуг, предоставление услуг, качество услуг и удовлетворенность клиентов. Магистранты получат представление о том, как идентифицировать и определять цели проекта, объем и результаты в контексте обслуживания, а также как управлять и снижать риски, характерные для проектов обслуживания. Основное внимание в курсе уделяется решению проблем, возникающих при управлении проектами в отраслях, основанных на услугах.

  Год обучения - 2
  Семестр - 2
  Кредитов - 4
  

• Обучение с подкреплением

  Этот курс познакомит магистрантов с основами обучения с подкреплением. По окончании этого курса магистрант будет способен: Формализовать проблемы как марковские процессы принятия решений; Понимать основные методы разведки и компромисс между разведкой и эксплуатацией; Понять функции ценности как универсальный инструмент для принятия оптимальных решений; Знать, как реализовать динамическое программирование как эффективный подход к решению проблемы промышленного управления.

  Год обучения - 2
  Семестр - 2
  Кредитов - 4
  

• Управление IT проектами

  Дисциплина, которая фокусируется на эффективном планировании, организации и контроле проектов в области информационных технологий. Он включает принципы и методологии, используемые для успешной реализации ИТ-проектов с учетом определенных ограничений, таких как время, бюджет и качество.

  Год обучения - 2
  Семестр - 2
  Кредитов - 4
  

• Большие языковые модели

  Дисциплина «Большие языковые модели» посвящена изучению современных языковых моделей большого масштаба, таких как GPT, LLaMA, PaLM и Claude. В курсе рассматриваются методы обучения больших языковых моделей, включая pretraining, fine-tuning, instruction tuning, reinforcement learning from human feedback (RLHF) и методы повышения качества генерации. Особое внимание уделяется архитектуре LLM, масштабированию моделей, retrieval-augmented generation (RAG), prompt engineering и созданию интеллектуальных систем на основе LLM. Практическая часть курса включает работу с Hugging Face, LangChain, OpenAI API и современными инструментами разработки LLM-приложений.

  Год обучения - 2
  Семестр - 2
  Кредитов - 4
  

• Управление заинтересованными сторонами проекта

  Курс рассчитан на изучение управления заинтересованными сторонами (стейкхолдерами) проекта. Магистранты рассмотрят базовые принципы и анализ внешней и внутренней среды проекта, направленные на идентификацию и систематизацию основных стейкхолдеров, оценку их целей, сбор информации о них и использование этих данных в процессе управления проектом. Также будет рассмотрено ведение переговоров и привлечение стейкхолдеров к сотрудничеству с управлением ожиданиями основных стейкхолдеров.

  Год обучения - 2
  Семестр - 2
  Кредитов - 4
  

• Анализ бизнес-процессов

  Дисциплина направлена на формирование у обучающихся способности системно анализировать и оценивать эффективность бизнес-процессов на основе принципов Business Process Management (BPM) и анализа данных. Освоение курса обеспечивает применение нотаций моделирования для формализации процессов, выявление причин неэффективности и обоснование решений по их оптимизации. В результате обучающиеся способны разрабатывать и аргументировать предложения по совершенствованию процессов с использованием релевантных метрик (время, стоимость, качество) и аналитических инструментов.

  Год обучения - 2
  Семестр - 2
  Кредитов - 4
  

Профессии

Результаты обучения

• Применять методы анализа данных для решения различных прикладных задач по анализу данных и аналитической обработки.
• Управлять командой и руководить процессом разработки программного обеспечения и анализа данных.
• Применять методы проектирования и разработки программных систем для решения широкого класса прикладных задач в области анализа в различных областях.
• Понимать фундаметальные принципа и обладать математическими знаниями, лежащими в основах методов аналитики данных и машинного обучения.
• Обладать критическим мышлением и владеть академическим языком на профессиональном уровне, позволяющем проводить научные исследования и осуществлять преподавание специальных дисциплин в вузах.
• Формулировать задачи, возникающие в ходе научно-исследовательской деятельности, применять методологические, психологические подходы в исследованиях.
• Обладать знаниями в смежных областях проектного менеджмента, вычислительных наук, информационной безопасности.
• Формулировать, модифицировать и разрабатывать методы машинного обучения и искусственного интеллекта.

Похожие ОП