7M06106 Наука о данных в МУИТ (IITU)

Целью освоения дисциплины «Базы данных продвинутый курс» является развитие у студентов профессиональных навыков по проектированию реляционных моделей баз данных, по общим принципам построения и функциональным особенностям основных систем управления базами данных (СУБД), представленным на рынке ПО, построению информационных систем на основе архитектуры «клиент-сервер» с использованием систем управления базами данных, особенностям языка SQL.

Практические навыки и компетенции в преподавательской деятельности в вузе; ответственность и творческого отношения к научной и научно-педагогической деятельности.

Обучающиеся ознакомятся с процессами деятельности и последовательности процедур, которые являются центральными для исследования: в частности, как определить область и тему исследования, как провести исследование, как работать с различными базами и источниками данных. В течение курса магистранты будут работать над одним проектом.

Цель этого курса - познакомить магистрантов с компьютерным зрением, начиная с основ и затем переходя к более современным моделям глубокого обучения. Мы рассмотрим распознавание изображений и видео, включая классификацию и аннотации изображений, распознавание объектов и поиск изображений, различные методы обнаружения объектов, оценку движения, отслеживание объектов в видео, распознавание действий человека и, наконец, стилизацию изображения, редактирование и генерацию нового изображения. В рамках курсового проекта магистранты узнают, как построить систему распознавания лиц и манипулирования ими, чтобы понять внутреннюю механику этой технологии, вероятно, наиболее известную и часто демонстрируемую в фильмах и телешоу на примере компьютерного зрения и искусственного интеллекта.

В рамках курса рассматриваются основные методы научно-исследовательской деятельности; основные направления, проблемы, теории и методы философии, а также содержание современных философских дискуссий по проблемам общественного развития.

Основные математические модели динамики жидкости и газа, физики, химии, биологии, механики, экономики, финансов состоят в основном из системы дифференциальных уравнений, уравнений в частных производных, стохастических уравнений, случайных процессов. Современный теоретический аппарат математики не позволяет получить точные решения этих моделей в общих случаях. Роль численных методов и вычислительных экспериментов в области математического моделирования велика. Поэтому целью данного курса является изучение приближенных методов решения различных прикладных задач гидродинамики и газодинамики. Каждый метод сопровождается составлением алгоритма и разработкой программного продукта. На основе вычислительных экспериментов исследованы различные свойства метода и исследуемого процесса.

Этот курс знакомит с изучением систем управления базами данных, фактически работающих с PL SQL. Курс демонстрирует некоторые возможности программирования PL SQL. У студентов будут некоторые общие задачи, которые возникают при работе со структурированными данными. В ходе этого курса студенты учатся создавать подпрограммы как процедуры и функции, работать с простыми и сложными типами данных, работать с курсорами, использовать триггеры в своем коде.

Это мягкое введение в высокопроизводительные вычисления (HPC) для науки о данных с использованием стандарта Интерфейса передачи сообщений (MPI) было разработано как первый курс по параллельному программированию на моделях распределенной памяти и требует только базовых понятий программирования. Разделенная на две части первая часть охватывает высокопроизводительные вычисления с использованием C++ со стандартом Интерфейса передачи сообщений (MPI), за которым следует вторая часть, обеспечивающая высокопроизводительную аналитику данных на компьютерных кластерах.

Этот курс изучает основные типы задач, решаемых с помощью машинного обучения — в основном речь пойдёт о классификации, регрессии и кластеризации. Дает знание об основных методах машинного обучения и их особенностях, научит оценивать качество моделей — и решать, подходит ли модель для решения конкретной задачи. Знакомит с современными библиотеками, в которых реализованы обсуждаемые модели и методы оценки их качества.

Интересно узнать, как решать дифференциальные уравнения в частных производных численными методами и как превратить их в коды python? Этот курс дает вам базовое введение в применение таких методов, как метод конечных разностей, псевдоспектральный метод, метод линейных и спектральных элементов к 1D (или 2D) скалярному волновому уравнению. Математический вывод вычислительного алгоритма сопровождается кодами python, встроенными в блокноты Jupyter. В уникальной установке вы можете увидеть, как математические уравнения преобразуются в компьютерный код и визуализируются результаты. Основное внимание уделяется иллюстрации фундаментальных математических составляющих различных численных методов (например, рядов Тейлора, рядов Фурье, дифференцирования, интерполяции функций, численного интегрирования) и тому, как они сравниваются.

Data science — одна из самых горячих областей на сегодняшний день, а Python — один из самых популярных инструментов для анализа данных. В этом курсе вы узнаете, как применять свои навыки программирования для построения предиктивных моделей, визуализации данных и работы с нейросетями. Курс ориентирован на практику и позволит вам сразу приступить к работе с данными и построению моделей.

Этот курс предлагает введение в нелинейную математическую оптимизацию с приложениями в области науки о данных. Теоретические основы и фундаментальные алгоритмы нелинейной оптимизации изучаются и применяются к моделям контролируемого обучения, включая нелинейную регрессию, логистическую регрессию, машины опорных векторов и глубокие нейронные сети. Студенты пишут свою собственную реализацию алгоритмов на языке программирования Python и исследуют их производительность на реалистичных наборах данных.

В курсе рассмотрены базовые вопросы статистического анализа: построение доверительных интервалов, тестирование гипотез, регрессионный и дисперсионный анализ. Также курс затрагивает некоторые современные методы регресионного анализа: регрессия на основе гауссовых процессов и обобщённые линейные модели.

Цель курса дать студентам знания о конечно-разностных методах решения начально-краевую задачу поставленной для уравнений параболического, гиперболического и эллиптического типов.

Обработка больших объемов данных (Big Data) – трудоемкий процесс. Раньше, чтобы компьютер мог выполнить даже простую задачу, программист должен был написать подробный алгоритм действий. Но теперь можно не составлять инструкции, а настраивать компьютер так, чтобы он сам на основе предложенных данных искал закономерности и делал выводы. Этот процесс называется машинным обучением - machine learning.

Вызовы, связанные с киберпространством и кибербезопасностью, требуют не только простого переименования государственных организаций, ответственных за безопасность в области информационных технологий или за безопасность в области коммуникаций. Повсеместность современных компьютерных систем и способность осуществлять связь или взаимодействовать с помощью различных средств, от мобильных устройств до носимых компьютеров, создают для государственных и негосударственных субъектов ряд неотъемлемых уязвимостей и возможные векторы атак. Использование этих уязвимостей может привести к широким последствиям для национальной безопасности посредством таких намеренных действий, как шпионаж, снижение эффективности объектов командования и управления, кража интеллектуальной собственности и чувствительной информации личного характера, нарушение предоставление существенных услуг и функционирования критически важной инфраструктуры или нанесение ущербы экономике и промышленности.

Магистрант получит глубокое понимание параллельной обработки массивных данных, их исследования и визуализации, а также передового машинного обучения и глубокого обучения. Понимание математические основы всех алгоритмов машинного обучения и глубокого обучения. Магистрант может применять знания в практических случаях использования, обосновывать архитектурные решения, понимать характеристики различных алгоритмов, структур и технологий и то, как они влияют на производительность и масштабируемость модели.

Изучение видов научных исследований, методологии научного познания, проведения исследований, формирования выводов и заключений, написания научных статей и докладов на конференции, обобщения результатов научно-исследовательской работы в диссертации, ее структуры и содержания.

Курс «Английский язык» является обязательным компонентом программы, предлагаемой студентам 1-го курса магистратуры МУИТ. Это практический курс продолжительностью один семестр, который адаптирует программу английского языка к профессиональным/исследовательским потребностям магистрантов. В рамках курса магистранты будут работать над индивидуальным проектом и исследовательским портфолио. К концу курса магистранты должны организовать и представить портфолио по своим исследованиям.

Курс предназначен для знакомство с байесовскими методами статистики и приобретение навыков их применения для решения практических задач.

Знакомство с современными трактовками предмета и основных категорий психологической науки; психологическими механизмами управления и закономерностями межличностного взаимодействия в условиях профессиональной деятельности; обоснование актуальности психологического знания в решении практических вопросов в жизнедеятельности человека; развитие системного, творческого мышления будущего специалиста, исследовательской культуры и потребности в непрерывном самообразовании и саморазвитии.

Перечислительная комбинаторика связана с подсчетом числа элементов конечного множества S. Это определение в его нынешнем виде мало говорит нам о предмете, поскольку практически любая математическая задача может быть сформулирована в этих терминах. В настоящей перечислительной задаче элементы S обычно имеют довольно простое комбинаторное определение и очень мало дополнительной структуры. Будет понятно, что в S содержит много элементов, и основной проблемой будет подсчитать (или оценить) их все, а не, например, найти конкретный элемент.

Цель курса дать студентам знания о методах решения обратных и некорректных задач широко применяемых на практике и производстве с помощью машинного обучения, основанной на математическое моделирование процессов происходящие выбранного участке исследуемого объекта.

Практика проходит под контролем научного руководителя магистранта и руководителя научно-исследовательского подразделения. Цель научно-исследовательской практики: систематизация, расширение и закрепление профессиональных знаний, формирование у магистрантов навыков ведения самостоятельной научной работы, исследования и экспериментирования.

Первое занятие по нейронным сетям - введение в нишу, путь разработчика в области машинного обучения, математическая модель нейрона, принципы обучения нейронной сети и обучение первой нейронной сети на примере распознавания цифр.

"Потребность решения сложных прикладных задач с большим объемом вычислений и принципиальная ограниченность максимального быстродействия «классических» – по схеме фон Неймана – ЭВМ привели к появлению многопроцессорных вычислительных систем (МВС) или суперкомпьютеров. В настоящие время практически все устройства – от карманных гаджетов и до самых мощных суперкомпьютеров – оснащены многоядерными процессорами. И если вы пишите последовательную программу, не применив распределение работы между разными ядрами центрального процессора и не проведя векторизацию, то вы используете только часть вычислительных возможностей центрального процессора. Пройдя этот курс, вы познакомитесь с основными архитектурами МВС, с двумя стандартами (OpenMP и MPI), позволяющими писать параллельные программы для систем с общей и распределенной памятью. На простых примерах будут разобраны основные конструкции и способы распределения работы. Выполнение практических заданий позволит вам приобрести практические навыки создания параллельных программ. "

Студенты будут изучать и применять передовые методы искусственного интеллекта в реальных социальных благах таких как здравоохранение, образование и окружающая среда. Цель этого занятия, состоит в том, чтобы дать студентам возможность применять эти методы вне аудитории. Класс будет сосредоточен на методах машинного обучения и глубокого обучения, включая регрессию, машины опорных векторов (SVM), нейронные сети, сверточные нейронные сети (CNNs) и рекуррентные нейронные сети (RNNs). Курс чередуется с лекциями по теории машинного обучения и дискуссиями которые будут предлагать студентам применять методы в своих областях социального блага.

Цель этого курса - познакомить магистрантов с компьютерным зрением, начиная с основ и затем переходя к более современным моделям глубокого обучения. Мы рассмотрим распознавание изображений и видео, включая классификацию и аннотации изображений, распознавание объектов и поиск изображений, различные методы обнаружения объектов, оценку движения, отслеживание объектов в видео, распознавание действий человека и, наконец, стилизацию изображения, редактирование и генерацию нового изображения. В рамках курсового проекта магистранты узнают, как построить систему распознавания лиц и манипулирования ими, чтобы понять внутреннюю механику этой технологии, вероятно, наиболее известную и часто демонстрируемую в фильмах и телешоу на примере компьютерного зрения и искусственного интеллекта.

Применять методологии исследования в области науки о данных

Проявлять коммуникабельность, инициативность и психологическую подготовленность к трудовой деятельности, в том числе при работе в команде и принимать управленческие и технические решения

Разрабатывать и/или использовать программное, аппаратное, информационное, математическое, функциональное обеспечение информационных систем, в том числе алгоритмы и методы информационной безопасности

Решать прикладные задачи по обработке и анализу данных на предмет выявления в них скрытых зависимостей

Извлекать нужную информацию из всевозможных источников, включая информационные потоки в режиме реального времени

Проводить комплексный анализ и аналитически обобщать результаты научно-исследовательских работ с использованием современных достижений науки и техники, навыки самостоятельного сбора данных, изучения, анализа и обобщения.

Строить 3D визуализацию

Создавать математические модели с использованием методов современных информационных технологий

Аргументировать выбор основных стандартов, принципов и шаблонов проектирования, методов, инструментов и языков программирования, в том числе выбирать методы и средства построения систем защиты информации современных ИКТ

Строить математическую модель энергетических задач

Применять математические модели и методы различных процессов