7M06103 Data Engineering НПМ в Университет Нархоз

Педагогическая практика направлена на приобретение профессиональных компетенций в сфере преподавания, а именно закрепление и углубление полученных теоретических знаний по педагогики и методике преподавания, полученных в процессе обучения посредством углубления навыка планирования, организации и проведения учебных практических занятий на базе соответствующей кафедрыдепартамента. В процессе прохождения педагогической практики магистранты знакомятся с компонентами педагогической профессиональной деятельности, с учебно-методическим комплексом материалов, структурой, формами и методами проведения учебных занятий, учатся управлять и организовывать деятельность учебного коллектива, оценивать знания студентов, составляют и заполняют отчетность, а также приобретают навыки работы в трудовом коллективе. По результатам педагогической практики и проведения практических занятий, магистранты составляют и защищают отчет.

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 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.

Дисциплина направлена на формирование основ профессионально-педагогической культуры преподавателя высшей школы, освоение теоретических основ современной педагогической науки и формирование готовности к творческому решению профессиональных задач. Курс проводится в интерактивном формате (совместные проекты, конференции, публичные дискуссии, интерактивные виды лекций) и направленном на развитие практических навыков преподавания и выступления перед различными аудиториями. По окончанию обучения магистрант способен передать полученные теоретические знания в сфере международных отношений и обучить практическим навыкам студентов в рамках преподавательской деятельности.

Этот курс является вводным для освоения навыков компьютерного программирования на языке Python. Поскольку знание языка Python является крайне востребованным при разработке самых разнообразных компьютерных программ благодаря его широким возможностям: разнообразию библиотек и модулей, компонентам объектно-ориентированного и процедурного программирования, кроссплатформенности и легкой встраиваемости в уже существующие программные продукты. Курс посвящен изучению всего разнообразия применения языка Python для решения широкого круга задач.

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 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.

Курс охватывает отдельные темы области статистических методов в академических и прикладных исследованиях в области социологии и смежных дисциплинах. Знание данных методов является ключевым. Курс дает практические и теоретические знания, которые позволяют проводить глубокий анализ данных.

Курс нацелен на приобретение магистрантами умений в области бизнес-планирования и исследования бизнес-процессов в организации, с учетом современного состояния внешней среды организации, обострившейся конкуренции и уровня влияния на бизнес государства. Обучающиеся изучат базовые качественные и количественные методы для их практического применения к анализу данных и принятию эффективных управленческих решений с использованием информационных технологий.

Дисциплина рассматривает философию науки, через призму анализа, дает знания по истории науки, ее особенностях и закономерностях; практикует методы проведения научных исследований и их важности в развитии социума. У магистрантов формируются навыки аналитического и научного мышления, способствующие проведению научно-исследовательской работы. Достижению этих целей способствует чтение оригинальных текстов великих мыслителей и ученых прошлого и настоящего. Навыки научно-исследовательской деятельности приобретаются благодаря освещению философских и методологических проблем науки их специализации в финальной письменной работе.

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 предназначен для обучения методам борьбы с мошенничеством. Магистранты научатся применять контролируемые алгоритмы обучения для обнаружения мошеннического поведения, а также неконтролируемые методы обучения для обнаружения новых видов мошенничества. Предмет дает сочетание технических и теоретических знаний и показывает практические методы практической реализации моделей обнаружения мошенничества. Кроме того, магистранты получат советы и рекомендации из реальной жизни, которые помогут предотвратить распространенные ошибки в анализе мошенничества.

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 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 - описать ключевые концепции, принципы и подходы, использующиеся для разработки высоконагруженных систем, в которых производительность, масштабируемость и доступность являются первоклассными атрибутами качества. Магистранты приобретут глубокие знания по проектированию высоконагруженных систем, составлению правильного плана тестирования и описания бизнес - требований. В курсе рассматриваются различные метрики, используемые для количественной оценки производительности, масштабируемости и доступности (время отклика, процентили, задержка, доступность в устойчивом состоянии, использование ресурсов и т.д.).

Курс содержит введение в проектирование озер данных в AWS, обучает магистрантов пониманию, созданию и эксплуатации озер данных безопасным и масштабируемым способом без предварительных знаний в области науки о данных. Также в курсе рассматривается организация и обработка данных в Data Lake. Магистранты научатся проектированию и построению архитектуры для безопасных и масштабируемых компонентов Data Lake, ознакомятся со способами использования Data Lake в отличие от традиционной инфраструктуры серверов и хранилищ данных.

В этом курсе магистранты освоят разработку схемы баз данных для эффективного представления данных, реализуют схемы баз данных с использованием MySQL. Магистранты будут ориентироваться в вопросах управления данными в организациях, научатся осваивать новые технологии, изучат программирование на Python. Также будут импортировать и экспортировать данные в/из CVS и Excel, изменять схемы по мере необходимости, проводить базовый анализ в Excel и научатся подготавливать рабочий процесс проекта, где будут импортировать данные из различных источников и создавать отчеты.

Современные программные системы становятся все более сложными, чтобы соответствовать требованиям качества, доступности и безопасности. В этом курсе рассматривается, как DevOps может обеспечить целостный подход к разработке, развертыванию и эксплуатации программного обеспечения. Магистранты получат навыки автоматизации, культуры и метрики, являющиеся важными критериями успешности проекта DevOps и положительно влияющими на прибыльность бизнеса.

В ходе курса магистранты будут решать проблемы, возникающие при построении клиент/серверного программного обеспечения. Это частичные системные сбои, множественные адресные пространства, задержка связи, неоднородность, управление системой, привязка и наименование, а также методы решения этих проблем: RPC и промежуточное программное обеспечение, услуги именования и каталогов, распределенная обработка транзакций, тонкие клиенты, репликация данных, криптографическая безопасность, мобильный код, введение в Java RMI.

Исследовательская практика проводится с целью применения теоретических знаний по пройденным дисциплинам посредством приложения исследовательского инструментария к осуществлению конкретных профессиональных задач. Магистрант освоит принципы и приемы построения работы в организации или на предприятии, проведения исследований, формирования конечной профессиональной отчетности; применит методы специализированного анализа; будет осуществлять поиск и обзор социальной, экономической, статистической информации на базе практики в организациях партнерах; выявит ключевые проблемы для выбора темы выпускной работы и найдет их решения.

Ключевыми компонентами любого конвейера данных являются озера данных и хранилища данных. В этом курсе магистры освоят варианты использования каждого типа хранилища и рассмотрят доступные решения для озера данных и хранилища на платформе Google Cloud Platform. Оценивая и применяя к себе роль инженера по обработке данных и исследуя преимущества успешного конвейера данных для бизнес-операций, обучающиеся получат практический опыт работы с озерами и хранилищами данных на Google Cloud Platform с помощью QwikLabs.

Курс охватывает концепции проектирования и внедрения распределенных систем, включая облачные вычисления, сетевые вычисления, кластерные вычисления и суперкомпьютеры. Курс содержит следующие темы: планирование в мультипроцессорах, иерархия памяти, синхронизация, параллельное управление, отказоустойчивость, модели параллельного программирования данных, исследование масштабируемости, системы передачи сообщений распределенной памяти, модели программирования общей памяти, задачи, графики зависимости и преобразования программ, параллельные входы/выходы, приложения, инструменты (Cuda, Swift, Globus, Condor, Amazon AWS, OpenStack, Cilk, gdb, потоки, MPICH), OpenMP, Hadoop, FUSE), SIMD, MIMD, фундаментальные параллельные алгоритмы, упражнения по параллельному программированию, методы проектирования параллельных алгоритмов, топологии соединений, неоднородность, балансировка нагрузки, модель согласованности памяти, асинхронные вычисления, разбиение на разделы, детерминированность, закон Амдала, исследования масштабируемости и производительности, векторизация и распараллеливание, языки параллельного программирования и их мощность.

Владеет современными навыками программирования и принимает решения для разработки систем автоматического управления применительно к сложным объектам.

Формулирует и решает задачи анализа данных применяя алгоритмы и языки программирования, а также математические и статистические модели и принципы оптимизации.

Оценивает и анализирует полученные модели и технологии искусственного интеллекта и алгоритмов глубинного обучения.

Всесторонне использует экспериментальные и теоретические данные по разработке больших данных.

Анализирует и аргументирует результаты научных и экспериментальных исследований и использует полученные данные в задачах управления высокотехнологичными процессами.

Углубленно представляет теоретические и прикладные задачи распознавания объектов и обработки информации на основе различных теоретических критериев, а также математических и статистических гипотез.

Использует теоретические знания для разработки отказоустойчивых систем с помощью различных популярных технологичных программных средств.

Анализирует и применяет инновационные технологии больших данных, внедряет результаты в практическую инженерную деятельность, используя методы машинного обучения.

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

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

Устно и письменно представляет в профессиональной и непрофессиональной аудитории обоснованные самостоятельные заключения/суждения и аргументирует их.