8D06102 Компьютерлік ғылым және жасанды интеллект в Қазақстан-Британ техникалық университеті

Бұл курс докторанттарға ағылшын тілінде докторлық диссертацияны жазудың технологиялық тәсілімен таныстыру үшін ұсынылады. Ол академиялық жазу дағдыларын академиялық қажеттіліктер үшін қажетті халықаралық стандарттарға дейін жақсартуға арналған. Курс сыни ойлау дағдыларының жоғары деңгейін көрсететін академиялық мазмұнға қажетті дәл жазбаша өрнектерді үйретуге назар аудара отырып, тыңдау, сөйлеу, оқу және жазу сияқты тілдік дағдыларға арналған жүйелі түрде басшылыққа алынатын тәжірибені қажет етеді.

Курс студенттерді машиналық оқыту және деректерді талдау негіздерімен таныстырады. Курста машиналық оқытудың негізгі теориялық тұжырымдамалары мен міндеттері егжей-тегжейлі қарастырылады: классификация, кластерлеу, регрессия және өлшемді азайту. Машиналық оқыту мәселелерін шешу әдістері зерттеледі: регрессия, тірек векторлық машина, шешім ағаштары, нейрондық желілер және т.б. Практикалық сабақтар үшін деректерді талдау және машиналық оқытудың ең танымал құралдары – Python бағдарламалау тілі, Pandas және Scikit-learn кітапханалары пайдаланылады.

Біздің алдымызда информатиканың болашағы зор, бірақ үлкен көлемдегі деректердің жылдам жинақталуы және оны машиналық оқыту үлгілерін құру үшін қолдану көптеген сұрақтарды тудырады және олардың көпшілігі мораль мен этикаға қатысты. Курс информатика саласындағы этика, саясат және заңнама мәселелеріне, атап айтқанда деректерді талдауға, сондай-ақ анықталған проблемаларды шешудің ықтимал жолдарына арналған.

Бұл курста студенттер машиналық оқыту модельдерінде одан әрі пайдалану үшін деректерді дайындауға қатысты цифрлық сигналды өңдеудің негізгі түсініктерін меңгереді. Курс мыналарды қамтиды: Фурье талдауы, сүзгі дизайны, дискретизация, интерполяция, кванттау және т.б. Теория компьютерлік көру және уақыттық қатарларды талдау саласындағы практикалық мысалдармен расталады.

"Зерттеу әдістері" курсы техникалық ғылымдар саласындағы зерттеулермен тереңдетіп жұмыс істеуге және докторанттардың ғылыми-зерттеу және талдау дағдыларын дамытуға арналған. Студенттер зерттеудің теориясы мен логикасымен, зерттеу процесінің этикасымен және инженерлік ғылымдарда жиі қолданылатын зерттеу әдістерінің ауқымымен таныстырады. Зерттеу дизайнына, деректерді жинауға, қарапайым деректерді талдауға және есеп жазуға назар аударылады. Курс нақты әдістемелік тәсілдерді талқылауды қамтиды.

Курс шеңберінде статистикалық талдаудың негізгі әдістері мен принциптері, алынған нәтижелерді интерпретациялау және визуализациялау зерттеледі. Курс студенттері дисперсияны, регрессияны және кластерлік талдауды оқиды. Негізгі екпін математикалық идеяларға, интуицияға және логикаға аударылады, ол әдістер мен есептеу формулаларын анықтайды. Курстың соңында студенттер медицинада, биологияда, қаржыда және ғылым мен өндірістің көптеген басқа салаларында туындайтын практикалық мәселелерді шешу үшін статистикалық оқытуды қалай қолдану керектігін үйренеді.

Табиғи тілді өңдеу машиналық оқытудың ең кең қолданылатын бағыттарының бірі болып табылады және құрылымдалмаған мәтіндік деректердің үлкен көлемін тиімді талдау үшін өте маңызды. Бұл курстың соңында студенттер мәтіндік деректерді талдау арқылы қосымшаларды әзірлей алады, мысалы: сезімді талдау, тілдік аудармаға арналған құралдарды жасау, мәтінге аннотациялау және чат боттарын жасау.

Бұл курстың бөлігі ретінде докторанттар үлкен деректерді талдау үшін арнайы құралдар мен әдістерді пайдалану кезінде үлкен деректер не бере алатыны туралы түсінік алады. Оқушылар Hadoop, Spark қолдану негіздерімен танысады. Курстың соңында студенттер ғылым мен өндірістің әртүрлі салаларындағы үлкен және күрделі деректер жиынтығы бойынша іргелі зерттеулер жүргізе алады.

Курс қазіргі заманғы келешегі зор бағыт – шыңдалып оқытудың негізгі тұжырымдамаларын қарастырады. Студенттер күшейтілген оқытудың негізгі әдістері мен алгоритмдерін меңгереді: Уақытша-айырмашылық оқыту, Монте-Карло, Сарса, Q-оқыту, Саясат градиенті және т.б. Курста оқытылатын алгоритмдер мен әдістер әртүрлі салалардағы есептерді шешу үшін қолданылуы мүмкін: ойын әзірлеу, кеңес беру жүйелері, логистика, өндірістегі сапаны бақылау, қаржы, өнеркәсіптік басқару жүйелері және т.б.

Компьютерлік көру - машиналық оқытудың ең қызықты және маңызды бағыттарының бірі. Компьютерлік көру көптеген салаларда қолданылады: ұшқышсыз көліктер, робототехника, кеңейтілген шындық және т.б. Курс тыңдаушылары негізгі тәсілдер, әдістер мен құралдарды қолдана отырып, компьютерлік көрудің негізгі білімін меңгереді, соның ішінде: кескінді өңдеу, 3D көріністі құру, кескінді сегменттеу және объектіні тану.

Докторлық диссертацияны жазу, зерттеу жұмыстарын және ғылыми жарияланымдарды жүргізу үшін қажетті академиялық жазудың ғылыми-практикалық дағдыларын дамыту. Стратегиялық мақсаттарға қол жеткізу үшін сыни ойлау әдістерін қолдана білу, ғылыми және өнеркәсіптік жобаларды әзірлеу мен орындауда зерттеушілер кездесетін зерттеу гипотезаларының күрделілігін қалыптастыруды түсіну.

Ғылыми әдіснамадағы іргелі және қолданбалы зерттеу тәжірибелеріне талдау жасау және информатика саласындағы іргелі идеяларды түсіндіре білу. Зерттеудің дизайнын, деректерді таңдау және талдау стратегиясын тиімді жүргізу және ғылыми жарияланымдарды зерттеу жоспарларын әзірлеу үшін бағдарламалаудың жаңа парадигмалары саласында зерттеудің сандық және сапалық әдістерін кәсіби деңгейде білу.

Машиналық оқыту негізінде қарапайым және күрделі гипотезаларды және жасанды интеллект модельдерін құрастыру шеңберінде алынған үлгілерді талдау және салыстыру, оларды зерттеу барысында ғылыми дәлелдер мен жарияланымдарда қолдану.

Процестерді, құралдарды, және ғылыми жоспарлау әдістерін түсіну және бизнесті дамыту қызметін жақсарту үшін бизнес, өнеркәсіп саласында үлкен деректерді өңдеумен жасанды интеллект алгоритмдерінің жаңа түрлерінің қазіргі заманғы үрдістерін қолдану және зерттеу.

Қазақстанда және шетелде жасанды интеллект саласындағы ғылыми зерттеудің қазіргі заманғы проблемалары мен үрдістерін анықтай білу және мінез-құлық үлгілерінің жаңа түрлерін енгізу және барлық салалардағы бизнес пен өнеркәсіпті басқаруды дамытудың болжамдары мен перспективаларын құру есебінен шешу жолдарын табу.

Қазақстанның және әлемнің әлеуметтік-экономикалық дамуына ықпал ету үшін теориялық және эксперименттік тәжірибелерде жасанды интеллект алгоритмдерін жасау және жаңғырту, компьютерлік ғылымның қолданбалы теориясының заманауи әдістерін енгізу арқылы жұмыс орнын цифрландырудың, адам мен машинаның өзара іс-қимылының рөлін түсіну.

Математикалық модельдер, бағдарламалық жасақтама және/ немесе аппараттық сәулет, бағдарламалық Алгоритмдер туралы гипотезаларды тұжырымдау және оларды ғылыми қауымдастыққа жасанды интеллект әдістері мен алгоритмдерін оңтайландыру процесінде параллелизация көрсеткіштерін жеке қадамдар деңгейінде де, жалпы әдіс деңгейінде де бағалауға мүмкіндік беретін әдіснамалық және бағдарламалық инженерияны қолдану үшін ұсыну.

Өңдеудің барлық кезеңдерінде нәтижелердің дәлдігі мен сенімділігін едәуір арттыратын, сонымен қатар деректердің нақты құрылымы туралы ақпарат алуға және олардағы жасырын заңдылықтарды анықтауға мүмкіндік беретін ақпаратты алдын-ала өңдеу әдістерін білу және қолдана білу, сигналдарды шуылдан тазарту, сигналдардағы трендті таңдау, бағалау сияқты алдын-ала өңдеу жұмыстарын жүргізуге мүмкіндік береді. дәрежесі хаотикалық сигналдар, сигналдарды сүзу және т. б.

Кеңістіктік және жиілік доменіндегі сигналдарды талдаудың негізгі құралдарын білу, сондай-ақ мүмкіндіктерді алу, кескінді сегменттеу, кескінді тіркеу және кескінді сәйкестендіру үшін кескінді өңдеудің негізгі әдістерін үйрену.

Априорлық белгісіздік жағдайында білімді алу процесін автоматтандыратын және пайдалану тиімділігін арттыратын ақпаратты іздеу әдістерін қамтитын информатика саласындағы нақты тапсырманы эксперименттік зерттеуге арналған жабдықтың есептеу қуатының қажетті сипаттамаларын білу. деректерді өңдеу, бұл деректердің үлкен көлемі болған кезде әсіресе тиімді. Бұл әдістер деректерді кластерлік талдауды, деректерді жіктеуді және көп өлшемді деректерді визуализациялауды жүзеге асыруға мүмкіндік береді.

Дайын стандартты шешімдер жиынтығын пайдалану арқылы жасанды интеллект жүйелерінің архитектурасын әзірлеу процесін жеңілдететін және жылдамдататын архитектуралық үлгілерді қолданыңыз. Оңтайлы статистикалық синтез әдістерін, статистикалық гипотезаларды сынау теориясын, инварианттылық теориясын және өлшем концентрациясы теориясын машиналық оқыту жүйелерінде ерекшелік векторларын құру және машиналық оқыту үлгілерінің сапасын бағалау үшін пайдаланыңыз.