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

Пәндер

• Академиялық хат

  Курс PhD докторанттарына Ағылшын тілінде Кандидаттық диссертация жазу процесін дамыту, академиялық жазу дағдыларын академиялық қажеттіліктердің қажетті халықаралық стандарттарына сәйкес жетілдіру үшін ұсынылады. PhD докторанттары академиялық жұмысты жазу процесін ақпаратты бағалаудың бастапқы кезеңінен бастап жоспарлау, құрастыру, редакциялау және қорытынды кезеңге дейін бастан өткереді, бұл жазбаша дәлдікті дамытуға көмектеседі.

  Оқу жылы - 1
  Семестр - 1
  Несиелер - 5
  

• ЖИ: Машиналық оқыту

  Курс машинамен оқыту және деректерді талдау әдістері туралы білім қалыптастыруға және оларды қолдану дағдыларын дамытуға бағытталған. Классификация, кластерлеу, регрессия және өлшемділікті төмендету міндеттері зерттеледі. Шешім ағаштары, нейрондық желілер және тірек векторлары әдісі сияқты оқыту әдістері қарастырылады.

  Оқу жылы - 1
  Семестр - 1
  Несиелер - 5
  

• Жетілдірілген жасанды интеллект

  Курс заманауи жасанды интеллект әдістерін, соның ішінде терең оқыту, табиғи тіл өңдеу, генеративті модельдер мен күшейтумен оқытуды зерттеуге бағытталған. Модельдердің интерпретациясы, этикалық аспектілер мен ЖИ-ді күрделі жүйелерге енгізу қарастырылады. Ғылыми және қолданбалы міндеттерге арналған ЖИ шешімдерін талдау, жобалау және оңтайландыру дағдылары дамытылады.

  Оқу жылы - 1
  Семестр - 1
  Несиелер - 5
  

• ЖИ: Статистикалық оқыту және болжау

  Курс статистикалық деректерді талдау әдістері туралы білім қалыптастыруға және оларды қолдану дағдыларын дамытуға бағытталған. Нәтижелерді интерпретациялау және визуализациялау тәсілдері, заңдылықтарды анықтау үшін математикалық модельдерді пайдалану зерттеледі. Статистикалық әдістердің логикасы мен интуитивті түсінігіне, оларды зерттеу және қолданбалы міндеттерді шешуге қолдануға ерекше назар аударылады.

  Оқу жылы - 1
  Семестр - 2
  Несиелер - 5
  

• Үлкен деректер жағдайлары: ғылым, медицина, инженерия

  Курс үлкен деректерді талдау әдістері туралы білім қалыптастыруға және оларды қолдану дағдыларын дамытуға бағытталған. Күрделі деректер жиынтықтарын өңдеу, басқару және талдау тәсілдері зерттеледі. Үлкен көлемдегі ақпаратпен жұмыс істеуді оңтайландыру үшін есептеу құралдарын таңдау мен қолдануға ерекше назар аударылады.

  Оқу жылы - 1
  Семестр - 2
  Несиелер - 5
  

• Ғылыми зерттеу әдістері

  Бұл PhD докторанттарына арналған зерттеу әдістері бойынша курс. Курс барысында біз зерттеу әдістерінің принциптерін, кәсіби академиялық жазуды, жариялауды, ұсыныстарды, презентацияларды, мақалаларды оқу мен талдауды, шолуларды және этикалық мәселелерді талқылаймыз.

  Оқу жылы - 1
  Семестр - 2
  Несиелер - 5
  

• Этика, информатика саласындағы саясат пен заңнаманы дамыту

  Курс компьютерлік ғылымдар саласындағы этикалық қағидаттар, нормативтік актілер және саясатты әзірлеу стратегияларын түсінуге бағытталған. Құпиялылық, деректер қауіпсіздігі, ЖИ жауапкершілігі, цифрлық құқықтар және технологияларды реттеу мәселелері қарастырылады. Халықаралық стандарттар, заңнамалық бастамалар және этикалық IT-менеджмент принциптеріне ерекше назар аударылады. Нормативтік актілерді талдау және этикалық стратегияларды әзірлеу дағдылары дамытылады.

  Оқу жылы - 1
  Семестр - 2
  Несиелер - 5
  

• Сигналдар мен кескіндерді сандық өңдеу (машиналық оқытуға негізделген модельдердегі алдын-ала өңдеу кезеңдері)

  Курс сандық сигналдарды өңдеу әдістері туралы білім қалыптастыруға және оларды машинамен оқыту модельдерінде деректерді дайындау үшін қолдану дағдыларын дамытуға бағытталған. Дискреттеу, сүзу және сигналдарды түрлендіру тәсілдері зерттеледі. Өңделген деректерді талдау және болжау модельдеріне енгізуге ерекше назар аударылады.

  Оқу жылы - 1
  Семестр - 2
  Несиелер - 5
  

• ЖИ: Күшейтiп оқыту

  Курс күшейтумен оқыту әдістері туралы білім қалыптастыруға және оларды қолдану дағдыларын дамытуға бағытталған. Агенттерді динамикалық ортада оқыту стратегиялары, шешімдерді оңтайландыру және әрекеттерді таңдаудың әртүрлі тәсілдері зерттеледі. Әдістерді автоматтандыру, деректерді талдау және басқару салаларында қолдануға ерекше назар аударылады.

  Оқу жылы - 1
  Семестр - 2
  Несиелер - 5
  

• ЖИ: Табиғи тілді өңдеу және семантикалық талдау

  Курс табиғи тіл өңдеу әдістері туралы білім қалыптастыруға және оларды қолдану дағдыларын дамытуға бағытталған. Мәтіндік деректерді талдау, машиналық аударма, аннотациялау, эмоцияларды тану және чат-боттарды әзірлеу зерттеледі. Тілдік құрылымдарды модельдеуге және құрылымдалмаған деректермен автоматтандырылған жұмысқа ерекше назар аударылады.

  Оқу жылы - 1
  Семестр - 2
  Несиелер - 5
  

• Білім берудегі жасанды интеллект

  Курс жасанды интеллект әдістерін білім беру саласында қолдануды меңгеруге бағытталған. Адаптивті оқыту жүйелері, интеллектуалды тьюторлар, білім беру деректерін талдау, табиғи тіл өңдеу және оқытуды жекелендіру қарастырылады. Этика, автоматтандырылған бағалау және үлгерімді болжау мәселелеріне ерекше назар аударылады. Білім беру процестеріне ЖИ шешімдерін енгізу және жобалау дағдылары дамытылады.

  Оқу жылы - 1
  Семестр - 2
  Несиелер - 5
  

• ЖИ: Компьютерлік көру

  Курс компьютерлік көрудің заманауи әдістері туралы білім қалыптастыруға және оларды қолдану дағдыларын дамытуға бағытталған. Кескіндерді өңдеу, 3D сахналарды құру, сегментация және нысандарды тану зерттеледі. Машиналық оқыту құралдарын визуалды деректерді автоматты түрде талдау үшін қолдануға ерекше назар аударылады.

  Оқу жылы - 1
  Семестр - 2
  Несиелер - 5
  

• Жетілдірілген үлкен деректерді талдау

  Курс үлкен деректерді өңдеу және талдау әдістерін меңгеруге бағытталған. Машиналық оқыту, үлестірілген есептеулер, ағындық деректерді өңдеу және алгоритмдерді оңтайландыру зерттеледі. Hadoop, Spark, терең оқыту және нейрондық желілер сияқты заманауи технологиялар қарастырылады. Деректерді интерпретациялау, болжау модельдерін құру және аналитика негізінде шешім қабылдау дағдылары дамытылады.

  Оқу жылы - 1
  Семестр - 2
  Несиелер - 5
  

• Жетілдірілген табиғи тілді өңдеу

  Курс табиғи тіл өңдеудің (NLP) заманауи әдістерін меңгеруге бағытталған. Терең нейрожелі модельдері, трансформерлер, генеративті модельдер, мәтінді талдау және диалогтық жүйелер қарастырылады. Модельдердің интерпретациясы, мультимодальді тәсілдер, машиналық аударма және этикалық аспектілер зерттеледі. Ғылыми және қолданбалы міндеттерге арналған NLP шешімдерін талдау, жобалау және оңтайландыру дағдылары дамытылады.

  Оқу жылы - 1
  Семестр - 2
  Несиелер - 5
  

Профессии

Оқыту нәтижелері

• 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 типтік шешімдер жиынтығын пайдалану арқылы жасанды интеллект жүйелерінің архитектурасын әзірлеу процесін жеңілдететін және жеделдетуге мүмкіндік беретін архитектуралық үлгілерді қолдану. Сондай-ақ, оңтайлы статистикалық синтез әдістерін, статистикалық гипотезаларды тексеру теориясын, инварианттылық теориясын және өлшем концентрациясы теориясын машиналық оқыту жүйелерінде ерекшелік векторларын құру және машиналық оқыту үлгілерінің сапасын бағалау үшін пайдалану.

Ұқсас БББ