7M06103 Деректерді қолданбалы талдау в Astana IT University

Пәндер

• Жоғары мектеп педагогикасы

  Курстың мазмұны педагогикалық теорияның және педагогикалық шеберліктің теориялық негіздері туралы білімді алуға, жоғары оқу орындарында оқыту үшін оқу үдерісін басқаруға, педагогиканың негізгі категориялары, жоғары білім беру педагогикасының орны, рөлі мен маңызы туралы түсінік қалыптастыруға, қазіргі заманғы педагогиканың негізгі принциптерін түсінуге және жоғары оқу орындарының педагогикалық мәселелерін шешудің әдістемелік тәсілдеріне бағытталған.

  Оқу жылы - 1
  Семестр - 1
  Несиелер - 4
  

• Шет тілі (кәсіби)

  Курстың мазмұны магистранттардың мәдени-кәсіби қарым-қатынас мақсатында халықаралық кәсіби ортаға енуіне мүмкіндік беретін кәсіби-бағытталған коммуникативті құзыреттілікті қалыптастыруға бағытталған.

  Оқу жылы - 1
  Семестр - 1
  Несиелер - 4
  

• Деректер ғылымына арналған Математика

  Пән магистранттарды күрделі деректер жиынтығын тиімді өңдеу және түсіну үшін қажетті білім мен дағдылармен қамтамасыз етуге арналған. Олар негізгі статистикалық әдістер және оларды басқару тәсілдері сияқты деректерді талдаудың теориялық негіздерін үйренеді. Сондай-ақ, курс градиентті түсіру әдістері сияқты Машиналық оқыту әдістерінің негізінде жатқан жетілдірілген математикалық тақырыптарды қамтиды. Бағдарламаның соңында магистранттар деректерді өңдеу әдістерінің математикалық негіздері туралы нақты түсінікке ие болады.

  Оқу жылы - 1
  Семестр - 1
  Несиелер - 5
  

• Деректер базасы мен мәліметтерді талдау үшін бағдарламалау

  Бұл пән қазіргі уақытта ең өзекті Python бағдарламалау тілі және R деректерді статистикалық өңдеу тілі сияқты бағдарламалау технологияларын зерделеуді көздейді.

  Оқу жылы - 1
  Семестр - 1
  Несиелер - 5
  

• Нейрондық желілер және деректерді ұсыну әдістері

  «Нейрондық желілер және деректерді ұсыну әдістері» пәні терең оқытудың негізгі әдістерін және машиналық оқытуда деректерді ұсыну тәсілдерін зерттеуге арналған. Бұл курс жасанды интеллекттің заманауи архитектураларын, соның ішінде трансформерлерді әрі қарай оқуға қажетті теориялық және практикалық негіз қалыптастырады. Курс барысында нейрондық желілердің негізгі түрлері, модельдерді оқыту әдістері, активация функциялары, оңтайландыру алгоритмдері және регуляризация әдістері қарастырылады. Сонымен қатар сандық, категориялық, мәтіндік және визуалдық деректерді дайындау мен ұсыну мәселелеріне ерекше назар аударылады. Пәннің практикалық бөлігі PyTorch, TensorFlow және Keras сияқты қазіргі заманғы машиналық оқыту кітапханаларын қолдана отырып нейрондық желілерді әзірлеу және оқытуға, сондай-ақ деректерді талдау міндеттерінде деректерді ұсыну әдістерін (embeddings, feature engineering) қолдануға бағытталған.

  Оқу жылы - 1
  Семестр - 2
  Несиелер - 5
  

• Машина оқыту және жасанды интеллект

  Бұл пән Машиналық оқыту және жасанды интеллект негіздерін оқып үйренуді және нақты қолданбалы есептерді шешу үшін берілген білімді қолдануды көздейді. Пән мұғаліммен және мұғалімсіз оқытудың көптеген тақырыптарын жабады. Машиналық оқыту міндеттерінің үшінші түрі ішінара жабылады, яғни тіркеу арқылы оқыту деп аталады.

  Оқу жылы - 1
  Семестр - 2
  Несиелер - 5
  

• Қолданбалы деректер аналитикасы

  «Қолданбалы деректер аналитикасы» пәні деректерді талдаудың практикалық дағдыларын қалыптастыруға және қолданбалы міндеттерді шешу үшін заманауи data science құралдарын пайдалануға бағытталған. Курс аясында аналитикалық процестің негізгі кезеңдері қарастырылады: аналитикалық міндетті қою, деректерді жинау және дайындау, деректерді тазалау және түрлендіру, статистикалық талдау, нәтижелерді визуализациялау және аналитикалық қорытындыларды қалыптастыру. Ерекше назар data preprocessing, exploratory data analysis (EDA), statistical analysis және data visualization әдістеріне, сондай-ақ деректерді талдаудың заманауи құралдарын (Python, Pandas, NumPy, Matplotlib, SQL) қолдануға аударылады.

  Оқу жылы - 1
  Семестр - 2
  Несиелер - 5
  

• Оптимизация 1

  Курс оңтайландырудың негізгі әдістерін қамтиды, соның ішінде функция экстремумдарын іздеу, сызықтық және сызықтық емес бағдарламалау, сандық әдістер теориясы және оларды ғылым мен техниканың әртүрлі салаларында қолдану. Магистранттар оңтайландыру есептерін шешу алгоритмдерін үйренеді және оларды күрделі нақты мәселелер үшін тәжірибеде қолдануды үйренеді.

  Оқу жылы - 1
  Семестр - 2
  Несиелер - 5
  

• Ғылым тарихы мен философиясы

  Курс магистранттың ғылыми қасиеттері және оның тарихи дамуындағы әлеуметтік-мәдени феномені туралы білім алуына; оның тарихи дамуы мен кұбылатын әлеуметтік-мәдени контекстегі ғылыми білімнің жалпы заңдылықтары туралы жүйелік көзқарас қалыптастыруға бағытталған.

  Оқу жылы - 1
  Семестр - 2
  Несиелер - 4
  

• Оқытудың әдістері мен стратегиялары

  Пән аясында магистранттарға интерактивті және ынталандырушы оқу ортасын құру үшін әртүрлі стратегиялар мен құралдар ұсынылады. Курс барысында магистранттар топтық жобалар, рөлдік ойындар, кері байланыс және пікірталастар, интерактивті оқыту үшін технологиялар мен құралдарды пайдалану және оларды IT пәндерінің ерекшеліктеріне бейімдеу және практикалық тапсырмалар мен жобаларды оқу процесіне біріктіру жолдары сияқты әртүрлі белсенді әдістерді үйренеді.

  Оқу жылы - 1
  Семестр - 3
  Несиелер - 5
  

• Big Data әдістері мен құралдары

  Бұл курс магистранттарды үлкен мәліметтер тұжырымдамаларына, шеңберлерге, құралдармен, соның ішінде таратылған деректерді өңдеуге, сақтауға және талдау әдістеріне енгізеді. Олар ауқымды мәліметтер жинақтарымен қалай жұмыс істеуді, тиісті үлкен деректер құралдарын таңдап, нақты мәліметтерді жобалау және нақты мәліметтерді жобалау және енгізуді үйренеді.

  Оқу жылы - 1
  Семестр - 3
  Несиелер - 5
  

• Оптимизация 2

  Курс күрделі оңтайландыру есептерін шешу әдістерін, соның ішінде динамикалық бағдарламалауды, көп өлшемді есептерді оңтайландыру әдістерін, стохастикалық және эволюциялық алгоритмдерді терең зерттейді. Магистранттар белгісіздік жағдайында есептерді шешу тәсілдерін меңгереді және осы әдістерді әртүрлі салалардағы нақты мәселелерді шешу үшін қолдануды үйренеді.

  Оқу жылы - 1
  Семестр - 3
  Несиелер - 5
  

• Трансформерлер архитектуралары

  «Трансформер архитектуралары» пәні attention (назар аудару) механизміне негізделген заманауи терең оқыту архитектураларын тереңдетіп оқуға бағытталған. Пән аясында трансформер модельдерінің жұмыс принциптері, олардың архитектурасы, оқыту әдістері және табиғи тілдерді өңдеу (NLP), деректерді талдау, компьютерлік көру және мультимодальды жүйелердегі практикалық қолданылуы қарастырылады. Ерекше назар self-attention, multi-head attention, positional encoding механизмдерін түсінуге, сондай-ақ BERT, GPT, T5, Vision Transformer және мультимодальды модельдер архитектураларына аударылады. Сонымен қатар, курста модельдерді оңтайландыру, масштабтау, transfer learning және алдын ала оқытылған модельдерді fine-tuning әдістері қарастырылады. Курстың бір бөлігі заманауи машиналық оқыту кітапханаларымен (мысалы, PyTorch, TensorFlow, Hugging Face Transformers) жұмыс істеуді қамтиды, бұл қолданбалы деректер талдау міндеттерін шешуге және интеллектуалды жүйелер құруға бағытталған. Курс барысында трансформер модельдерінің жұмыс принциптері, архитектурасы, оқыту әдістері және оларды табиғи тілді өңдеу (NLP), деректерді талдау, компьютерлік көру және мультимодальды жүйелердегі практикалық қолдану мәселелері қарастырылады. Self-attention, multi-head attention, positional encoding механизмдерін түсінуге, сондай-ақ BERT, GPT, T5, Vision Transformer және мультимодальды модельдердің архитектураларына ерекше назар аударылады. Сонымен қатар курс барысында модельдерді оңтайландыру, масштабтау, transfer learning және алдын ала үйретілген модельдерді fine-tuning әдістері қарастырылады. Курстың практикалық бөлігінде магистранттар PyTorch, TensorFlow, Hugging Face Transformers сияқты заманауи машиналық оқыту кітапханаларын қолданып деректерді талдау және интеллектуалды жүйелер құруға арналған қолданбалы тапсырмаларды орындайды.

  Оқу жылы - 1
  Семестр - 3
  Несиелер - 5
  

• Басқару психологиясы

  Курстың мазмұны басқарушылық іс-әрекеттің психологиялық заңдылықтары, менеджер іс-әрекетінің құрылымында әлеуметтік-психологиялық білімді қолдану ерекшеліктері туралы жүйелі идеяларды қалыптастыруға және тиімді басқарудың негізінде жатқан әлеуметтік-психологиялық принциптерді талдау дағдыларын игеруге бағытталған.

  Оқу жылы - 1
  Семестр - 3
  Несиелер - 4
  

• Марков тізбектері және шешім қабылдау үрдістері

  Бұл пән Марков тізбектерін зерттеуді қамтиды, онда әрбір элемент толығымен алдыңғы элементпен анықталады. Бұл тізбектер жасанды интеллекті белгілі бір ортадағы агент мінез -құлқымен байланыстыру мәселелерін тұжырымдауда кеңінен қолданылады, мысалы, нақты ортадағы робот, мысалы, күшейтуге үйрету. Пәнді оқу нәтижесінде магистрант білуі керек: процестердің стохастикалық динамикасын сипаттайтын ықтималдық модельдерді құру әдістерін; кезек жүйелерін; стохастикалық жүйелердің шешімдерінің қасиеттерін орната білу.

  Оқу жылы - 2
  Семестр - 1
  Несиелер - 5
  

• Деректерді талдау бойынша тақырыптық зерттеу (Case study)

  Пән магистранттардың нақты деректерді талдау бойынша практикалық дағдыларын қалыптастыруға бағытталған. Пән барысында бизнес, қаржы, қалалық жүйелер, денсаулық сақтау және цифрлық платформалар сияқты әртүрлі салалардағы қолданбалы кейстер қарастырылады. Курста деректерді талдаудың толық циклі қамтылады: мәселені қою, деректерді жинау және алдын ала өңдеу, талдау әдістерін таңдау, модель құру, нәтижелерді интерпретациялау және деректер негізінде шешім қабылдау. Ерекше назар сыни ойлауды дамытуға, нақты есепке сәйкес тиімді талдау әдістерін таңдауға және «шулы», толық емес деректермен жұмыс істеуге аударылады. Пән тәжірибеге бағытталған және нақты кейстерді талдауды, заманауи құралдарды (Python, SQL, BI құралдары) қолдануды және аналитикалық есептер дайындауды қамтиды. Нәтижесінде магистранттар data-driven decision making тәсілдерін меңгеріп, күрделі аналитикалық тапсырмаларды шешу тәжірибесіне ие болады.

  Оқу жылы - 2
  Семестр - 1
  Несиелер - 5
  

• Деректерді басқару

  "Деректерді басқару" пәні заманауи ақпараттық жүйелердегі деректерді басқару қағидаларын зерттеуге бағытталған. Курс деректердің толық өмірлік циклін қамтиды: деректерді жинау, сақтау, басқару, сондай-ақ деректердің сапасы мен қауіпсіздігін қамтамасыз ету. Ерекше назар Data Governance, Data Architecture, Data Quality Management, Data Risk Management мәселелеріне, сондай-ақ деректерді жобалық ортада пайдалануға аударылады.

  Оқу жылы - 2
  Семестр - 1
  Несиелер - 5
  

• Жетілдірілген генеративті модельдер

  «Жетілдірілген генеративті модельдер» пәні заманауи терең оқыту архитектураларын қолдана отырып деректерді генерациялау әдістерін зерттеуге арналған. Курс генеративті модельдеудің негізгі тәсілдерін қамтиды, соның ішінде Variational Autoencoders (VAE), Generative Adversarial Networks (GAN), Diffusion Models және генеративті трансформерлер. Ерекше назар генеративті модельдеудің математикалық негіздеріне, ықтималдық модельдерге, генеративті желілерді оқыту әдістеріне, сондай-ақ мәтін, сурет, аудио және басқа да деректер түрлерін жасау үшін генеративті жасанды интеллектті қолдануға аударылады. Курстың практикалық бөлігі PyTorch, TensorFlow және Hugging Face құралдарын пайдалана отырып генеративті модельдерді жүзеге асыруды, сондай-ақ заманауи генеративті жүйелермен жұмыс істеуді қамтиды.

  Оқу жылы - 2
  Семестр - 1
  Несиелер - 5
  

• Деректерге негізделген шешімдер қабылдау

  Пән магистранттарды деректерді талдау негізінде негізделген шешімдер қабылдау үшін қажетті дағдылар мен біліммен қаруландыруға арналған. Магистранттар пайдалы ақпарат алу және стратегиялық шешімдер қабылдау үшін деректерді жинауды, тазартуды, талдауды және түсіндіруді үйренеді. Оқу бағдарламасы деректерді жинау әдістері, деректерді алдын-ала өңдеу, деректерді зерттеу, статистикалық модельдеу, болжамды аналитика және деректерді визуализациялау сияқты тақырыптарды қамтиды. Практикалық қосымшалар мен жағдайлық зерттеулер арқылы магистранттар деректерге негізделген ақпаратты мүдделі тараптарға тиімді жеткізу қабілетін дамытады. Бұл пән магистранттардың сыни ойлауы мен проблемаларды шешу қабілеттерін дамытады, бұл оларға ұйымдарға оң әсер ететін деректерге негізделген шешімдер қабылдауға мүмкіндік береді.

  Оқу жылы - 2
  Семестр - 2
  Несиелер - 4
  

• Жобаны басқарудағы сервис үлгісі

  Курс жобаларды басқарудағы қызмет көрсету моделінің негізгі компоненттеріне, соның ішінде қызметтерді жобалауға, қызмет көрсетуге, қызмет көрсету сапасына және тұтынушылардың қанағаттануына бағытталған. Магистранттар жобаның мақсаттарын, көлемі мен нәтижелерін қызмет көрсету контекстінде қалай анықтау және анықтау, сондай-ақ Қызмет көрсету жобаларына тән тәуекелдерді басқару және азайту туралы түсінік алады. Курстың негізгі бағыты қызметтерге негізделген салалардағы жобаларды басқару кезінде туындайтын мәселелерді шешуге бағытталған.

  Оқу жылы - 2
  Семестр - 2
  Несиелер - 4
  

• Пысықтау арқылы оқып үйрену

  Бұл курс магистранттарды арматуралық оқытудың негіздерімен таныстырады. Бұл курсты аяқтағаннан кейін магистрант: Марковтың шешім қабылдау процесі ретінде мәселелерді ресімдей алады; Барлаудың негізгі әдістері мен барлау мен пайдалану арасындағы келісімді түсіну; Оңтайлы шешімдер қабылдаудың әмбебап құралы ретінде құндылық функцияларын түсіну; Өндірістік бақылау мәселелерін шешудің тиімді әдісі ретінде динамикалық бағдарламалауды қалай енгізу керектігін білу.

  Оқу жылы - 2
  Семестр - 2
  Несиелер - 4
  

• IT жобаларды басқару

  Бұл өнімнің өмірлік циклі бойына стратегиялық жоспарлауға, дамытуға және сәтті орындалуына бағытталған пән. Ол тұтынушылардың қажеттіліктерін қанағаттандыратын және бизнес мақсаттарына жауап беретін құнды және сатылатын өнімдерді жасауға бағытталған қызмет пен жауапкершіліктің кең ауқымын қамтиды.

  Оқу жылы - 2
  Семестр - 2
  Несиелер - 4
  

• Үлкен тілдік модельдер

  «Үлкен тілдік модельдер» (LLM) пәні GPT, LLaMA, PaLM және Claude сияқты заманауи ірі тілдік модельдерді зерттеуге арналған. Курста үлкен тілдік модельдерді оқыту әдістері қарастырылады, соның ішінде pretraining, fine-tuning, instruction tuning, reinforcement learning from human feedback (RLHF) және генерация сапасын арттыру әдістері. LLM архитектурасына, модельдерді масштабтауға, retrieval-augmented generation (RAG), prompt engineering және LLM негізіндегі интеллектуалды жүйелерді құруға ерекше назар аударылады. Курста үлкен тілдік модельдерді оқыту әдістері қарастырылады, соның ішінде pretraining, fine-tuning, instruction tuning, reinforcement learning from human feedback (RLHF) және генерация сапасын арттыру әдістері. LLM архитектурасына, модельдерді масштабтауға, retrieval-augmented generation (RAG), prompt engineering және LLM негізіндегі интеллектуалды жүйелерді құруға ерекше назар аударылады. Курстың практикалық бөлімі Hugging Face, LangChain, OpenAI API және LLM-қосымшаларын әзірлеуге арналған заманауи құралдармен жұмыс істеуді қамтиды.

  Оқу жылы - 2
  Семестр - 2
  Несиелер - 4
  

• Жобаның мүдделі тараптарын басқару

  Курс жобаның мүдделі тараптарын (мүдделі тараптарды) басқаруды зерттеуге арналған. Магистранттар негізгі мүдделі тараптарды анықтау мен жүйелеуге, олардың мақсаттарын бағалауға, олар туралы ақпарат жинауға және осы деректерді жобаны басқару процесінде пайдалануға бағытталған жобаның сыртқы және ішкі ортасының негізгі принциптері мен талдауын қарастырады. Ол сондай-ақ негізгі мүдделі тараптардың үміттерін басқарумен бірлесіп жұмыс істеу үшін келіссөздер жүргізу және мүдделі тараптарды тартуды қарастырады

  Оқу жылы - 2
  Семестр - 2
  Несиелер - 4
  

• Бизнес-үдерістерді талдау

  Пән білім алушылардың Business Process Management (BPM) қағидаттары мен деректерге негізделген талдау әдістерін қолдана отырып, бизнес-процестердің тиімділігін жүйелі түрде талдау және бағалау қабілетін қалыптастыруға бағытталған. Пәнді меңгеру процесстерді формализациялау үшін модельдеу нотацияларын қолдануды, тиімсіздіктің себептерін анықтауды және оларды оңтайландыру бойынша негізделген шешімдер ұсынуды қамтамасыз етеді. Нәтижесінде білім алушылар уақыт, шығын және сапа көрсеткіштерін пайдалана отырып, процестерді жетілдіру бойынша ұсыныстар әзірлей алады.

  Оқу жылы - 2
  Семестр - 2
  Несиелер - 4
  

Профессии

Оқыту нәтижелері

• Деректерді талдау және аналитикалық өңдеу бойынша әртүрлі қолданбалы есептерді шешу үшін деректерді талдау әдістерін қолдану.
• Команданы басқару және бағдарламалық жасақтама мен деректерді талдау процесін басқару.
• Әр түрлі салалардағы қолданбалы талдау мәселелерінің кең класын шешу үшін бағдарламалық жүйелерді жобалау және әзірлеу әдістерін қолдану.
• Деректерді талдау және машиналық оқыту әдістерінің негізінде жатқан негізгі принциптерді түсіну және математикалық білімге ие болу.
• Жоғары оқу орындарында ғылыми зерттеулер жүргізуге және арнайы пәндерді оқытуды жүзеге асыруға мүмкіндік беретін кәсіби деңгейде сыни ойлау және академиялық тілді меңгеру.
• Ғылыми-зерттеу қызметі барысында туындайтын міндеттерді тұжырымдау, зерттеулерде әдіснамалық, психологиялық тәсілдерді қолдану.
• Жобалық менеджменттің, есептеу ғылымдарының, ақпараттық қауіпсіздіктің сабақтас салаларында білімге ие болу.
• Машиналық оқыту және жасанды интеллект әдістерін тұжырымдау, өзгерту және дамыту.

Ұқсас БББ