7M06105 Кибернетика и искусственный интеллект в Satbayev University

Цели освоения дисциплины: формирование у магистрантов теоретических знаний по основным понятиям и методам теории квантовых вычислений; выработка умений и практических навыков построения и анализа квантовых схем, расчета вероятностей при квантовых измерениях; изучение квантовых алгоритмов и квантовых информационных протоколов. В курсе рассматриваются основные положения классической теории вычислительной сложности, гейтовая модель квантовых вычислений, алгоритмы квантовых вычислений основанные на квантовом преобразовании Фурье.

Курс посвящен моделям глубокого обучения. Являясь областью в рамках машинного обучения, модели глубокого обучения иллюстрируют количественно-качественный переход. Новые модели и их свойства требуют отдельного изучения и практики настройки метапараметров таких моделей. В этом курсе изучаются основы глубокого обучения, нейронные сети, сверточные сети, RNN, LSTM, Adam, Dropout, BatchNorm, инициализации Xavier/He.

Цель изучения: формирование у магистров теоретических знаний и практических навыков по использованию современных вычислительных комплексов и программных средств для решения широкого спектра задач в различных областях. Курс рассматривает особенности архитектуры графических процессоров, принципы организации гибридных вычислительных систем на базе графических процессоров, классы задач пригодные для эффективного исполнения на графических процессорах.

Цель освоения дисциплины: расширить знания по теории рекурсии, теории множеств, теории алгебраических систем и их классов. Курс рассматривает теорему полноты и непротиворечивости, определение полной и неполной теории, модельно полной теории, понятия подмодели и элементарной подмодели, понятия типа и теорему о реализации типа, теорему об опускании счетного типа в счетной теории.

Курс изучает закономерности случайных явлений, вероятностный подход к построению математических моделей реальных событий и процессов в различных классах случайных функций, постановку и решение возникающих математических задач. А также рассматривается формальный математический аппарат теории вероятностей и случайных процессов, возможности его использования в процессе дальнейшего обучения, применение методов теории вероятностей и стохастических процессов для анализа проблем в различных предметных областях.

Целью курса являются приобретения знаний и навыков по основам параллельного программирования и параллельной обработке данных с использованием компьютерных средств. Задачи изучения курса: научить методам параллельной обработки информации и представления параллельных алгоритмов; ознакомление студентов с архитектурой ЭВМ; сформировать средства спецификации параллельных процессов; обучить языкам параллельного программирования; освоить методы автоматического распараллеливания последовательных алгоритмов.

В рамках курса магистранты освоят методологические и теоретические основы педагогики высшей школы, научатся использовать современные педагогические технологии, планировать и организовывать процессы обучения и воспитания, овладеют коммуникативными технологиями субъект-субъектного взаимодействия преподавателя и магистранта в образовательном процессе вуза. Также магистранты изучат управление человеческими ресурсами в образовательных организациях (на примере высшей школы).

Целями освоения дисциплины является ознакомление с современными подходами к построению, обучению и использованию систем распознавания и классификации на основе методов машинного обучения формирование у магистрантов профессиональных компетенции. Содержание дисциплины направлено на освоение алгоритмов и методов глубокого обучения (deep learning) – специального раздела в машинном обучении (machine learning); формирование умений и навыков в решении практических задач с использованием методов глубокого обучения.

Цель освоения: создавать интеллектуальные системы управления, распознавания образов, прогнозирования во всех сферах деятельности человека. В курсе студенты знакомятся с основами машинного обучения: постановкой задачи обучения, подготовкой данных, принципами обучения и принятия решения, подходами к организации обучения и валидации результатов, методами и алгоритмами классификации и кластеризации данных. Теоретические основы машинного обучения закрепляются на практических занятиях и используются при выполнении самостоятельного исследования.

Цели дисциплины: изучение современных методов и алгоритмов визуализации, систематизации, исследования, анализа и прогнозирования данных большой размерности, основных методов и алгоритмов Data Mining и их сравнительный анализ. Развитие практических навыков использования основных методов и алгоритмов интеллектуального анализа данных; умения применять технологии интеллектуального анализа электронных массивов данных для решения конкретных практических проблем.

Курс рассчитан на магистрантов технических специальностей для совершенствования и развития иноязычных коммуникативных умений в профессиональной и академической сфере. Курс знакомит обучающихся с общими принципами профессионального и академического межкультурного устного и письменного общения с использованием современных педагогических технологий (круглый стол, дебаты, дискуссии, анализ профессионально-ориентированных кейсов, проектирование).

Дисциплина изучает современную роль и содержание психологических аспектов в управленческой деятельности. Рассматривается улучшение психологической грамотности обучающегося в процессе реализации профессиональной деятельности. Самосовершенствуется в области психологии и изучает состав и устройство управленческой деятельности, как на местном уровне так и в зарубежном. Рассматривается психологическая особенность современных управленцев.

Предмет философии науки, динамика науки, специфика науки, наука и преднаука, античность и становление теоретической науки, основные этапы исторического развития науки, особенности классической науки, неклассическая и постнеклассическая наука, философия математики, физики, техники и технологий, специфика инженерных наук, этика науки, социально-нравственная ответственность ученого и инженера.

Целью освоения дисциплины является формирование у студентов в области системного анализа и управления теоретических знаний и практических навыков по использованию нейронных сетей для решения задач классификации, прогнозирования и управления объектами профессиональной деятельности. Рассматриваются: история развития искусственных нейронных сетей; основные направления использования искусственных нейронных сетей; виды нейронных сетей.

Цель освоения: изучить современные методы построения и анализа математических моделей, возникающих при решении естественнонаучных задач, а также современные методы разработки и реализации алгоритмов их решения. В курсе рассматриваются уравнения переноса, тепла, волны, Лапласа и их фундаментальные решения, энергетические методы; нелинейный УЧП первого порядка; теория для линейных УЧП; элиптические уравнения второго порядка; теория нелинейных УЧП; невариационные методы;уравнения Гамильтона-Якоби.

Некоторые современные принципы моделирования механических систем, состоящих из конечного числа элементов, имеющих разную размерность. Приводятся некоторые методы теоретического исследования дифференциальных уравнений, описывающих процессы в слоистых средах, и методы численного анализа. Курс основан на теории обыкновенных дифференциальных уравнений и уравнений в частных производных и математическом анализе. В результате этого курса студенты должны получить некоторый опыт моделирования и исследования некоторых сложных механических систем.

Цель освоения: формирование представлений о теории информации как универсальном языке науки, средстве моделирования явлений и процессов, об идеях и методах кодирования и криптографии; развитие логического мышления, пространственного воображения, алгоритмической культуры, критичности мышления на уровне, необходимом для будущей профессиональной деятельности, для продолжения образования и самообразования; овладение теоретическими знаниями и умениями, необходимыми в повседневной жизни, для изучения смежных дисциплин профессионального цикла.

Цели освоения дисциплины: сформировать теоретические знания по основам машинного обучения для построения формальных математических моделей и интерпретации результатов моделирования; выработать умения по практическому применению методов машинного обучения для построения формальных математических моделей и интерпретации результатов моделирования при решении прикладных задач в различных прикладных областях. Методы машинного обучения – обширный подраздел искусственного интеллекта, изучающий методы построения алгоритмов, способных обучаться.

Цель изучения: формирование у магистров теоретических знаний и практических навыков по вопросам стохастических дифференциальных систем и методов их моделирования, а также применение этих знаний при решении задач в научно-исследовательском и производственно-технологическом процессах. По окончнию курса обучающийся должен знать методы стохастического моделирования, уметь применять стохастический анализ при разработке математических моделей, исследовании систем и процессов.

знать и понимать современные тенденции, направления и закономерности развития отечественной науки в условиях глобализации и интернационализации; методологию научного познания; достижения мировой и казахстанской науки в соответствующей области; (осознавать и принимать) социальную ответственность науки и образования; в совершенстве иностранный язык для осуществления научной коммуникации и международного сотрудничества.

иметь навыки системного понимания области изучения и демонстрировать качественность и результативность выбранных научных методов; участия в научных мероприятиях, фундаментальных научных отечественных и международных проектах; лидерского управления и руководства коллективом; ответственного и творческого отношения к научной и научно-педагогической деятельности.

уметь работать с архитектурами, включающими открытые библиотеки глубокого обучения, делать правильные выводы из сопоставления результатов теории и эксперимента, выделять из практических задач их постановку для машинного обучения, работать с современными программными комплексами для решения задач машинного обучения.

уметь разрабатывать математические модели и применять их в научных экспериментах, применяя современное программное обеспечение, проводить теоретические и экспериментальные исследования стохастических процессов и систем.

уметь анализировать эффективность выполнения задачи на графическом процессоре и гибридных вычислительных системах на базе графических процессоров, производить профилирование программ.

Уметь применять технологии интеллектуального анализа электронных массивов данных для решения конкретных практических проблем.

владеть профессиональными знаниями для анализа и синтеза физической информации в области квантовых вычислений, основные квантовые алгоритмы, возможности, методы и системы компьютерных технологий для физических теоретических и экспериментальных исследований в данной области, основные физические платформы для реализации квантовых вычислений.

Знать постановки задач классификации, кластеризации, прогнозирования, знать алгоритмы и методы глубокого обучения.

уметь организовывать, планировать и реализовывать процесс научных исследований; анализировать, оценивать и сравнивать различные теоретические концепции в области исследования и делать выводы; анализировать и обрабатывать информацию из различных источников.

быть компетентным в вопросах межличностного общения и управления человеческими ресурсами; в вопросах вузовской подготовки специалистов; в проведении экспертизы научных проектов и исследований; в обеспечении постоянного профессионального роста.

уметь проводить самостоятельное научное исследование, характеризующееся академической целостностью, на основе современных теорий и методов анализа; генерировать собственные новые научные идеи, сообщать свои знания и идеи научному сообществу, расширяя границы научного познания.

быть компетентным в области научной и научно-педагогической деятельности в условиях быстрого обновления и роста информационных потоков; в проведении теоретических и экспериментальных научных исследований; в постановке и решении теоретических и прикладных задач в научном исследовании; в проведении профессионального и всестороннего анализа проблем в соответствующей области.

владеть методами численного стохастического моделирования для проведения теоретических и экспериментальных исследований, знаниями стохастического анализа для оценивания полученных результатов исследования.

иметь навыки критического анализа, оценки и сравнения различных научных теорий и идей; аналитической и экспериментальной научной деятельности; планирования и прогнозирования результатов исследования; ораторского искусства и публичного выступления на международных научных форумах, конференциях и семинарах; научного письма и научной коммуникации; планирования, координирования и реализации процессов научных исследований.

знать понятие стохастического анализа систем и методы стохастического моделирования, применение стохастического анализа при разработке математических моделей и исследовании различных систем и процессов.

знать особенности архитектуры графических процессоров, принципы организации гибридных вычислительных систем на базе графических процессоров, классы задач пригодные для эффективного исполнения на графических процессорах.