7M06104 Компьютерные науки в КазНУ им. аль-Фараби
-
Цель образовательной программы Целью образовательной программы «Компьютерные науки» является обеспечение качественной подготовки специалистов для научной, образовательной и производственной сферы, способного интерпретировать и обобщать глубокие современные знания новейших теорий в области разработки программных продуктов, создания эффективных способов решения вычислительных задач.
-
Академическая степень Магистратура
-
Языки обучения Русский, Казахский, Английский
-
Название ВУЗа Казахский национальный университет имени аль-Фараби
-
Срок обучения 2 года
-
Объем кредитов 120
-
Группа образовательных программ M094 Информационные технологии
-
Область образования 7M06 Информационно-коммуникационные технологии
-
Направление подготовки 7M061 Информационно-коммуникационные технологии
-
Организация и планирование научных исследований (англ)
Кредитов: 6Цель дисциплины - формирование системы базовых знаний и навыков для организации и проведения научных исследований. Будут изучены: организация научной статьи, международная система научных публикаций, авторские права в системе международных научных публикаций, библиометрические (наукометрические) индикаторы в системе международных научных публикаций: индекс научного цитирования и импакт-фактор
Год обучения - 1
Семестр 1
-
История и философия науки
Кредитов: 3Изучение закономерностей и тенденций развития особой деятельности по производству научных знаний, взятых в их исторической динамике и рассмотренных в исторически изменяющемся социокультурном контексте. Курс вводит в проблематику феномена науки как предмета специального философского анализа, формирует знания об истории и теории науки; о закономерностях развития науки и структуре научного знания.
Год обучения - 1
Семестр 1
-
Модели машинного обyчения
Кредитов: 6В рамках дисциплины рассматриваются следующие аспекты: Формальная модель машинного обучения. Основные алгоритмы решения задач классификации и восстановления регрессии. Метрические методы машинного обучения. Байесовские методы машинного обучения. Задача восстановления плотности распределения. Разделение смеси распределений. EM-алгоритм. Линейные методы машинного обучения и их обобщения. Визуализация и кластеризация. Искусственные нейронные сети.
Селективная дисциплина
Год обучения - 1
Семестр 1
-
Продвинутая сетевая безопасность
Кредитов: 6Задача дисциплины – дать представление об основных принципах и структурах информации, научить программировать многофункциональные приложения для обеспечения безопасности, разработать модели безопасности. Сформировать у магистрантов систему базовых теоретических знаний со способами защиты сетевых технологий. Помочь магистрантам приобрести навыки противодействия уязвимости базовых мобильных технологий, защиты от атак использующих уязвимости технологий SMS.
Селективная дисциплина
Год обучения - 1
Семестр 1
-
Продвинутые структуры данных, алгоритмы и анализ
Кредитов: 6В рамках дисциплины рассматриваются следующие аспекты: Основные алгоритмы: асимптотическая запись, рекурсия, парадигма «разделяй и властвуй», базовые структуры данных; быстрое преобразование Фурье. Алгоритмы сортировки. Структуры данных: приоритетные очереди и кучи, словари, хеш-таблицы, фильтры Блума, деревья двоичного поиска, деревья интервалов. Динамическое программирование, графовые алгоритмы: DFS, BFS, топологическая сортировка, алгоритмы кратчайшего пути, проблемы сетевого потока.
Год обучения - 1
Семестр 1
-
Педагогика высшей школы
Кредитов: 3Цель – формирование способности к педагогической деятельности в вузе на основе знаний дидактики высшей школы, теорий воспитания и менеджмента образования, анализа и самооценки преподавательской деятельности. Курс рассматривает проектирование образовательной деятельности будущего преподавателя с применением КТО, реализации Болонского процесса, овладения лекторским, кураторским мастерством с использованием стратегий и методов обучения/воспитания и оценивания (TLA-стратегий).
Год обучения - 1
Семестр 1
-
Разработка динамических веб-приложений
Кредитов: 6В результате изучения дисциплины сформировать у магистрантов способности: - описывать и сопоставлять современные инструменты, используемые для программирования серверов веб-приложений; - применять основные концепции разработки программного обеспечения к проектированию и программированию веб-приложений; - программировать серверы веб-приложений; - обобщать концепции веб-приложений с использованием Django / Python для других технологий и инструментов веб-приложений;
Селективная дисциплина
Год обучения - 1
Семестр 1
-
Математические методы распознавания образов
Кредитов: 9В рамках дисциплины рассматриваются следующие аспекты: Представление образов и основные подходы к машинному распознаванию. Приложения методов распознавания образов: машинное зрение, распознавание рукописных символов, распознавание речи. Классификация на основе байесовской теории решений. Линейный и нелинейный классификаторы. Комитетные методы решения задач распознавания. Методы распознавания образов на основе нейронных сетей. Методы распознавания образов на основе кластерного анализа.
Селективная дисциплина
Год обучения - 1
Семестр 2
-
Иностранный язык (профессиональный)
Кредитов: 6Цель дисциплины: сформировать у магистрантов навыки, необходимые для общения в деловой и научной сферах, реализации коммуникативных компетенций, позволяющих вести научно-исследовательскую деятельность в международных исследовательских коллективах. Будут изучены: методы устной, письменной и электронной коммуникации; создание профессионально значимых текстов на английском языке.
Год обучения - 1
Семестр 2
-
Продвинутая разработка мобильных приложений
Кредитов: 9Данный курс нацелен на изучение технологии разработки программного обеспечения для мобильных устройств с операционной системой Android, основ управления качеством и стандартизации разработки программных средств, формирование навыков использования современных технологий программирования, применении подходов объектно-ориентированного программирования в разработке мобильных приложений и использовать базы данных в мобильных приложениях.
Селективная дисциплина
Год обучения - 1
Семестр 2
-
Психология управления
Кредитов: 3Дисциплина направлена на формирование социально-психологической компетенции по объективной оценке психологических теорий управления и лидерства, динамики группового развития и командообразования, особенностей психологии масс и толпы, психологических теорий коммуникации и стратегии разрешения конфликта, необходимых для своей профессиональной деятельности в рамках управленческих взаимоотношений.
Год обучения - 1
Семестр 2
-
Теория распределенных систем
Кредитов: 6В рамках дисциплины рассматриваются следующие аспекты: Введение в модели распределенных вычислений. Синхронизация часов. Алгоритмы обнаружения прекращения. Распределенные алгоритмы взаимного исключения. Алгоритмы обнаружения тупиковых ситуаций. Распределенная общая память. Распределенные файловые серверы. Распределенные среды программирования: коммуникационные примитивы, отдельные тематические исследования.
Год обучения - 1
Семестр 2
-
Архитектура высокопроизводительных компьютеров и параллельные вычисления
Кредитов: 9В рамках дисциплины рассматриваются следующие аспекты: Современный многоядерный процессор. Модели параллельного программирования. Архитектура GPU и программирование CUDA. Оптимизация производительности. Распределение и планирование работ. Оценка производительности на основе рабочей нагрузки. Базовая многопроцессорная реализация. Транзакционная память. Гетерогенный параллелизм и аппаратная специализация. Распределенные вычисления в памяти.
Селективная дисциплина
Год обучения - 1
Семестр 2
-
Анализ больших данных
Кредитов: 9В рамках дисциплины рассматриваются следующие аспекты: Концептуализация и обобщение: представление данных. Моделирование техники машинного обучения. Применение технологий обработки больших данных. Тривиальные данные против больших данных: репрезентативное обучение. Публично доступные наборы данных. Масштабируемость и методы масштабирования. Среда обработки больших данных: современные технологии анализа данных. Языки программирования для аналитики больших данных: Python, Java и C.
Селективная дисциплина
Год обучения - 2
Семестр 3
-
Продвинутое объектно-ориентированное программирование
Кредитов: 9В рамках дисциплины рассматриваются следующие аспекты: Диаграммы прецедентов и сценарии для поддержки понимания требований пользователя. Нотации объектно-ориентированного проектирования, включая диаграммы классов UML и диаграммы состояний для моделирования решения задач. Базовые объектно-ориентированные шаблоны проектирования для структурирования решений задач проектирования программного обеспечения.
Селективная дисциплина
Год обучения - 2
Семестр 3
-
Основы обучения с подкреплением
Кредитов: 9Развивать умение магистрантов анализировать данные, использовать методы машинного обучения в реальных задачах, проводить самостоятельные исследования на реальных данных, внедрять новые исследования в области ML. Также познакомить магистрантов с основными понятиями и терминологией машинного обучения; научиться выполнять статистический анализ данных и визуализировать их; Основная цель курса – познакомить с технологией обработки больших объемов данных.
Селективная дисциплина
Год обучения - 2
Семестр 3
-
Облачные вычисления
Кредитов: 9В рамках дисциплины рассматриваются следующие аспекты: Основные тенденции развития облачных вычислений и технологий. Архитектура «облачных» технологий. Способы и особенности проектирования «облачных» сервисов. Основные модели предоставления услуг облачных вычислений. Решения ведущих вендоров – Microsoft, Amazon, Google. Основные преимущества и недостатки моделей облачных вычислений и предлагаемых на их основе решений.
Селективная дисциплина
Год обучения - 2
Семестр 3
-
Нейронные сети в анализе данных
Кредитов: 9В рамках дисциплины рассматриваются следующие аспекты: Процесс анализа данных, основанный на нейронной сети. Межнейронные связи. Искусственный нейрон. Архитектуры НС. Предварительный подбор архитектуры сети. Подбор оптимальной архитектуры сети. Методы наращивания сети. Распознавание и классификация образов. Нейронная сеть для сжатия данных. Нейроны типа WTA. Модель нейрона Хебба. Стохастическая модель нейрона.
Селективная дисциплина
Год обучения - 2
Семестр 3
-
Теория распознавания образов
Кредитов: 9В рамках дисциплины рассматриваются следующие аспекты: Постановка задачи распознавания образов. Представление изображений в цифровой форме. Методы анализа и первичной обработки изображений. Задачи выбора информативных признаков. Методы распознавания образов: детерминистские, статистические, структурные методы решения задач распознавания; алгебраические методы построения решающих правил и распознавания образов; интеллектуальные методы анализа и распознавания.
Год обучения - 2
Семестр 3
-
Технологии разработки компьютерных систем
Кредитов: 9В рамках дисциплины рассматриваются следующие аспекты: Принципы построения архитектур суперкомпьютеров и кластерных систем. Архитектуры многопроцессорных вычислительных систем: векторно-конвейерные суперкомпьютеры, симметричные мультипроцессорные системы (SMP), системы с массовым параллелизмом (МРР), кластерные системы. Введение в тематику суперкомпьютерных технологий. Основные элементы программного обеспечения суперкомпьютеров и кластерных систем. Администрирование суперкомпьютеров и кластерных систем.
Селективная дисциплина
Год обучения - 2
Семестр 3
-
Код ON6
Выполнять высокопроизводительные научные вычисления, оценивать производительность параллельных вычислительных систем.
-
Код ON12
Вести научно-педагогическую деятельность, руководить исследовательской группой: производить оценку необходимых средств, разделять задачи, планировать время выполнения задач, предоставлять отчеты.
-
Код ON9
Осуществлять исследования и разработки в среде, ориентированной на конечный продукт, научно обосновывать принимаемые стратегические решения.
-
Код ON11
Самостоятельно проводить научные исследования: понимать текущие вопросы исследования, самостоятельно применять опубликованные результаты или методы в новом контексте.
-
Код ON3
Выбирать методы проектирования и разработки программного обеспечения, языки программирования, архитектуры, принимая во внимание присущие им ограничения.
-
Код ON2
Описывать способы оценки вычислительной сложности алгоритмов
-
Код ON5
Разрабатывать передовые сетевые компьютерные системы с акцентом на надежность и безопасность.
-
Код ON7
Применять теорию распознания образов и методы машинного обучения для решения задач из различных предметных областей.
-
Код ON1
Объяснять принципы организации и планирования научных исследований.
-
Код ON4
Моделировать задачи и разрабатывать новые инструменты и приложения для сбора, хранения, анализа и управления данными.
-
Код ON10
Анализировать и критически относиться к различным источникам информации, применять их для структурирования и формулирования рассуждений.
-
Код ON8
Реструктуризировать существующее программное обеспечение, выявляя проблемные компоненты, выбирая стратегии решения.