7M06104 Разработка интеллектуальных приложений ПМ в Университет Нархоз

Дисциплина содержит современную методологию управления поведением персонала, индивида и групп учитывая тенденции социально-экономического развития бизнес сообщества, а также освоением методов психологии в формировании конкурентоспособной организационной культуры и стимулирования персонала, способствующей к инновациям. Магистрант освоит результаты обучения и выработает критическое мышление, умение эффективно коммунициировать, преодолевая предвзятость мышления через самоанализ и разбор кейс стади.

Магистранты получат знания по анализу больших данных. Курс служит вводным курсом для магистрантов, которые планируют работать с хранением, обработкой, анализом, визуализацией и применением больших данных как на рабочих местах, так и в исследовательских центрах. Аналитика больших данных, сейчас является самой быстро развивающейся проблемой в мире ИТ. Быстро создаются и внедряются новые инструменты и алгоритмы. Магистранты изучат и используют на практике инструменты, алгоритмы и платформы, применимые к реальным случаям. Выполняя домашние задания и участвуя в реальных проектах, магистранты также получат практический опыт по аналитике данных, социальным вопросам и вопросам безопасности больших данных.

Курс формирует комплексное представление о методах и методологии количественных исследований. Представлены общие подходы и современные тенденции их развития в области статистического оценивания результатов исследования и их интерпретации. Даются методологические основания, теоретический каркас методов и сами методы, как в теоретическом аспекте, так и на уровне их практического применения с использованием статистических пакетов.

Курс содержит основные концепции глубокого обучения. В настоящее время глубокое обучение является наиболее развивающейся областью машинного обучения (ML). Алгоритмы глубокого изучения позволяют получить новые результаты в области компьютерного зрения, обработки естественного языка, анализа речи, робототехнике и т.д. Магистранты ознакомятся с нейронными сетями и ML для классификации и изучат рекурентные нейронные сети (RNNs).

Курс предусматривает развитие умений анализировать, обобщать, классифицировать профессионально значимую информацию, эффективно используя английский язык для общения в научной и профессиональной деятельности и предназначен для дальнейшего развития коммуникативной иноязычной компетенции и ее свободное проявление (B1 уровень и выше) в общении с зарубежными партнерами, а также для дальнейшего самообразования. В течение курса магистранты учатся четко и аргументированно излагать свою точку зрения и коммуницировать на основе принципов критического мышления, свободно выражая персональную профессиональную точку зрения и результаты исследований.

Практика магистранта проводится с целью закрепления знаний, полученных в процессе обучения, приобретения практических навыков, а также сбора необходимых данных для проведения специализированных исследований по выбранной теме магистерской диссертации. Магистранты знакомится с деятельностью предприятия; проведет сбор и обработку данных; выявит ключевые проблемы для выбора темы выпускной работы и найдет пути их решения.

Курс основывается на применении правильных наборов данных, позволяющих анализировать и использовать данные для реализации организационной стратегии, начиная с умного применения общедоступных источников и заканчивая методами визуализации данных.

Курс направлен на формирование у магистрантов способности к ведению исследовательской деятельности на основании оценки, решения поставленных задач, систематизации и обоснования научных результатов посредством применения комплекса исследовательских методов. В рамках курса магистранты изучат как количественные, так и качественные методы исследования. В данном курсе с помощью статистического метода будут рассмотрены фундаментальные подходы и общие тенденции для оценивания итогов исследования. Существенный акцент будет сделан с учетом оценки качественных данных и общей выборки проведенного исследования. Здесь также будут исследованы классические подходы и практические инструменты вербальных и невербальных переменных.

Курс предоставляет обзор как классических, так и наиболее актуальных современных знаний и научных подходов к машинному обучению (ML) и искусственному интеллекту (AI). Используя алгоритмический подход, магистранты практически применят изучаемые методы, путем самостоятельной реализации нескольких из них. Курс охватывает классификацию, основанную на искусственных нейронных сетях (глубокое обучение), а также кластеризацию, регрессию, оптимизацию (эволюционные алгоритмы и др. методы).

Цель курса - представить довольно широкое введение в процесс обработки естественного языка (NLP, так же известный как компьютерная лингвистика), изучение вычислительных систем, которые могут обрабатывать, понимать и общаться на человеческом языке. Основное внимание уделяется пониманию различных задач NLP, алгоритмам эффективного решения этих задач, а также методам оценки их производительности. Особое внимание будет уделено статистическим и нейросетевым алгоритмам обучения. Магистранты будут представлять реализованные версии некоторых алгоритмов.

Курс посвящен описанию методов, используемых предприятиями для анализа деловой информации. Магистранты будут работать с программным обеспечением бизнес-аналитики SAS. Узнают о концепции системы бизнес-аналитики, применении в организациях и ее взаимоотношениях с другими компьютерными информационными системами - такими как поддержка принятия решений и управление, хранилища данных и искусственный интеллект. Магистранты научатся использовать доступные методы и приемы извлечения данных для эффективного выявления важной информации из больших массивов данных с помощью SAS Enterprise Miner.

Курс представляет концептуальные и практические знания, необходимые для разработки приложений, ориентированных на реальное время и события (или событийно-ориентированных), использующих Apache Spark. Курс охватывает использование Spark с системами NoSQL, а также популярными платформами обмена сообщениями, такими как Apache Kafka и Amazon Kinesis. Глубоко изучается архитектура Spark streaming с использованием DStream API, а также структурированное потоковое вещание в Spark. Практические упражнения направлены на усиление использования трансформаций и операций вывода в Spark streaming, а также более продвинутых шаблонов обработки потоков, таких как обработка статических потоков и операции скользящего окна с использованием Spark.

Курс знакомит магистрантов с прикладным машинным обучением, уделяя большее внимание технике и методам, чем статистике, которая лежит в основе этих методов. Предмет начинается с обсуждения того, чем машинное обучение отличается от описательной статистики, и вводит в курс практический материал. В данном курсе магистры обследуют вопрос размерности данных, и будут решать задачи кластеризации данных. Описываются контролируемые подходы к созданию прогностических моделей, и обучающиеся смогут применять разработанные методы прогностического моделирования. Они будут определять разницу между контролируемой (классификация) и не контролируемой (кластеризация) техникой, какую технику необходимо применить для конкретного набора данных, а также для проведения анализа смогут написать питоновый код.

Дисциплина содержит: современные подходы менеджмента, лидерство, целеобразование и планирование, новейшие структуры организации, контроль производительности и стимулирования персонала. Магистрант в ходе освоения курса будет анализировать макро/микросреду организации, разрабатывать рекомендации по формированию команд. Изучение дисциплины завершится презентацией бизнес-проекта, который позволит продемонстрировать способность обучающегося отстаивать собственное мнение, решая различные нестандартные управленческие задачи

Способен принимать решения, оценивая их последствия и учитывая условия неопределенности и риски, используя критическое мышление, количественные и качественные методы, применяя аналитические навыки.

Способен устно и письменно представлять в профессиональной и непрофессиональной аудитории обоснованные самостоятельные заключения/суждения и аргументировать их.

Способен разрабатывать системы автоматического управления применительно к сложным объектам посредством современных навыков программирования.

Способен анализировать и применять инновационные технологии и методы машинного обучения, внедрять результаты в практическую инженерную деятельность.

Способен принимать решения по разработке и проектированию сложных и многофакторных задач больших данных.

Способен анализировать и аргументировать результаты научных и экспериментальных исследований, используя полученные данные в задачах управления высокотехнологичными процессами.

Способен формулировать и решать задачи идентификации в объектах и аппаратах управления на основе современных теоретических методологий и научных подходов.

Способен использовать теоретические знания для разработки отказустойчивых систем с помощью различных популярных технологичных программных средств.

Способен оценивать и анализировать полученные модели и технологии искусственного интеллекта и алгоритмов глубинного обучения.

Способен всесторонне использовать экспериментальные и теоретические данные по разработке больших данных.

Способен владеть навыками публичной речи, аргументации, ведения дискуссии и полемики; практического анализа логики различного рода рассуждений.