7M06102 Machine Learning & Data Science в Satbayev University

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.

Основное внимание в курсе уделяется пониманию основ, программированию и проектированию систем больших данных. Темы включают теорию и методы сбора данных, очистки, агрегирования, управления большими разнородными коллекциями данных, обработки, извлечения информации и знаний. Курс знакомит с алгоритмами MapReduce, потоковой передачи и внешней памяти и их реализациями с использованием Hadoop и его экосистемы (HBase, Hive, Pig и Spark).

Целью освоения курса является формирование у студента навыков ведения научно- исследовательской деятельности. Содержание дисциплины включает вопросы определения направления иследования; цели и задачи исследования; этапы написания научной публикации, литературного обзора; организация научного эксперимента; направления инновационной деятельности; роль научных исследований в инновационной деятельности.

Компьютерное зрение изучает вопросы создания компьютерных систем, обладающих общим высокоуровневым представлением о цифровых изображениях или видео и предназначенных для обнаружения, отслеживания и классификации объектов. С практической точки зрения компьютерное зрение стремится понять и автоматизировать задачи, которые может выполнять зрительная система человека.

Дисциплина является естественно-научной дисциплиной, знакомит обучающихся с фундаментальными основами системного программирования.Отвечает за предоставление практических знаний об аппаратном обеспечении и архитектуре современной компьютерной системы, уделяя особое внимание аспектам параллелизма и тем, которые влияют на написание многопоточного программного обеспечения. Курс охватывает понимание параллелизма от низкоуровневых аспектов до высокоуровневых шаблонов проектирования, используемых в пакетах параллелизма.

Курс основан на теоретических и практических знаниях, необходимых для решения прикладных задач обработки данных с использованием нейронных сетей. В курсе изучаются математические основы теории нейронных сетей, приводятся краткая история теории нейронных сетей, математические модели нейросетевых архитектур, постановка задачи обучения и методы ее решения, рассматриваются особенности организации процесса обучения и применения нейронных сетей для решения практических задач.

В рамках курса обучающиеся получат знания в области оценки качества, контроля качества программного обеспечения, научатся разрабатывать тестовые примеры, выполнять тестирование по тестовым примерам, обнаруживать ошибки при выполнении тестирования и документировать их, оценивать и тестировать программный продукт с точки зрения модуля, функциональности, интегрированности. В курсе обсуждаются темы, связанные с обеспечением качества и непрерывной интеграции в проектах, проводимых с использованием гибких методологий.

Курс посвящен методам машинного обучения и моделям глубокого обучения. В этом курсе изучаются основы глубокого обучения, нейронные сети, сверточные сети. Отдельное внимание уделяется построению прогностических моделей с использованием классических методов машинного обучения и глубоких нейронных сетей. Дополнительное внимание уделяется подготовке данных. Также рассматриваются специальные темы глубокого обучения, такие как долговременная кратковременная память, генеративно-состязательное обучение и передача стилей.

Курс изучает вопросы визуализации и виртуальной реальности: подготовка данных, визуализация данных, представление данных, взаимодействие с данными, устройства и компьютерные технологии, широко используемые методы рендеринга, современные методы и системы визуализации, примеры реализации виртуальной реальности, стандарты взаимодействия данных, моделирование в реальном времени, обнаружение столкновений, тактильные ощущения, поврежденные объекты, дополненная реальность. Рассматриваются вопросы взаимосвязи между виртуальной реальностью и другими технологиями смешанной реальности.

Курс изучает теоретические и практические основы в области методологии, обработки и анализа больших данных. В курсе рассматриваются вопросы формирования представления о технических и методологических средствах анализа больших данных, изучения основных принципов и понятий, позволяющих сознательно применять эти знания в практической деятельности, использования практических навыков анализа больших объемов данных для решения широкого спектра задач. В дисциплине также обсуждаются тенденции развития инфраструктурных решений для обработки и хранения больших данных.

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).

Курс изучает теоретические и практические основы технологии облачных вычислений, модели облачных вычислений в современном бизнесе, инструментальные средства облачных технологий. А также в курсе рассматриваются технологии создания облачного сервиса и существующие облачные сервисы, способы применения технологии облачных вычислений при решении задач оптимизации ИТ-процессов. В данном курсе обсуждаются наиболее важные API, используемые в облаках Amazon и Microsoft.

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).

Данный курс дает систематическое введение в разработку и анализ бизнес-экосистем и дает обзор важных подходов и типов моделей. Цифровые сетевые взаимодействия порождают новую бизнес-конфигурацию — экосистему, отличную как от внутрифирменных, так и от межфирменных отношений предыдущего типа. Рассматривается концептуальная модель бизнес-экосистемы с ее преимуществами, ограничениями и рисками, а также ее применимость в ИТ индустрии.

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.

Курс изучает общие принципы построения, основные свойства и архитектуры автономных агентов; методологию, методы и модели формирования мультиагентных систем (МАС); базовые ситуации, режимы и модели взаимодействия, коммуникации, кооперации агентов; программные языки и инструментальные средства реализации искусственных агентов; методы, модели, средства и технологии компьютерной обработки информации и автоматизированного управления на основе теории искусственных агентов и МАС.

Курс изучает основы теории сложности и вычислений. Дается определение вычислительной сложности алгоритма. В курсе рассматриваются вопросы вычислительной и емкостной сложности алгоритмов, их соотношении между собой, эффективности алгоритмов, решающих задачи за полиномиальное время и иных с экспоненциальной зависимостью времени решения от данных. А также изучаются детерминированные и недетерминированные алгоритмы, полиномиально разрешимые задачи, полиномиальные алгоритмы. Приводятся доказательства NP полноты.

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.

Курс изучает теоретические и практические основы обработки естественного языка. В курсе рассматриваются теоретические аспекты NLP, включая базовые сведения из области лингвистики, и практические методы обработки текстов. Рассматриваются классические алгоритмы обработки текстовой информации, такие как регулярные выражения, измерение расстояний, подстановок, поиск строк и подстрок. Лингвистические деревья. Корпус текста. Таксономия. Рассматриваются модели Word2Vec, Text Embeding, LSTM модели нейронных сетей. Изучаются существующие библиотеки анализа текстовой информации.

Курс посвящен искусственному интеллекту (ИИ), в частности слабому или мягкому ИИ, то есть методам и алгоритмам, которые могут сделать программное обеспечение умнее и полезнее. В рамках курса рассматриваются алгоритмы оптимизации основанные на имитации естественных процессов в живой и не живой природе, экспертные системы, алгоритмы кластеризации, обеспечивающие персонификацию обслуживание пользователей, методы предсказания основанные на регрессионных моделях, нейронные сети прямого распространения.

Курс изучает объектно-ориентированное программирование на Python, включая абстрактные базовые классы и инструменты программиста Python — отладчик, трассировку. В курсе представлены контейнеры, алгоритмы и итераторы, чтобы показать быстрые методы обработки огромных объемов данных. Манипуляции с файловой системой и XML, JSON и YAML просматриваются так, чтобы ими можно было манипулировать внутри Python. Рассматриваются RESTful и методы работы с конечными точками.

Эта дисциплина знакомит с основами манипулирования текстов. Теоретический курс включает процесс обработки текста, структуры текста как для машины, так и для людей, описание фреймворка nltk языка Python для управления текстом, регулярные выражения (поиск текста), очистка текста и подготовка текста для использования процессами машинного обучения. Также будет рассмотрено применение базовых методов обработки естественного языка.

Курс изучает основные принципы представления цифровых изображений, моделей работы с ними и интерпретации данных. В рамках курса рассматриваются компьютерные методы описания визуального мира, изучение цвета, текстуры, методов и моделей обработки изображений, виды цифровых изображений, форматы и модели, афинные, проективные и полиномиальные искажения, дисторсия камеры, извлечение фрагментов. Рассматриваются модели классификации и кластеризации данных, применение математических моделей для выделения качественных и количественных признаков изображения.

Курс изучает общие концепции и инструменты анализа и интерпретации геномных данных, полученных в результате экспериментов по секвенированию. В курсе изучаются библиотеки языка Python, алгоритмы биоинформатики, методы искусственного интеллекта, основные сервисы и программы для обработки биологических последовательностей. В курсе используются основные биологические базы данных, содержащие геномную, структурную и другую информацию для научно-исследовательской работы.

Применять иностранный язык на профессиональном уровне, позволяющем осуществлять преподавание базовых дисциплин в вузах, проводить обзор литературных источников, анализировать тенденции современной науки и определять перспективные направления научных исследований.

Применять модель программирования MapReduce для обработки научных и масштабируемых данных.

Планировать и проводить семинарские, практические, лабораторные занятия с учетом требований разработанных и утвержденных рабочих учебных планов и методических указаний, разрабатывать учебно-методические материалы для сопровождения образовательного процесса и реализации инноваций в обучении и воспитании обучающихся, применять знания педагогики и психологии высшей школы в своей педагогической и научно-исследовательской деятельности.

Применять методы статистического анализа и машинного обучения применительно к задачам обработки различных данных, включая структурированные, неструктурированные, научные, геномные и т.п., вести научные изыскания, организовывать работы по сбору, хранению и обработке информации, создавать аналитические системы и рекомендательные сервисы на основе алгоритмов машинного обучения и глубокого обучения.

Устанавливать межличностные и групповые коммуникации; определять свою роль в команде, ставить цели и формулировать задачи, связанные с ее реализацией; выстраивать взаимодействие с учетом социальных особенностей членов команды; проектировать и организовывать командную работу; определять потребности участников команды в овладении новыми знаниями и умениями.

Интегрировать знания, полученные в рамках разных дисциплин для решения научно-исследовательских задач в новых незнакомых условиях и генерации новых идей в контексте научных исследований в области искусственного интеллекта и интеллектуального анализа данных.

Применять подход, основанный на численных методах решения задач оптимизации и линейного программирования, методах решений уравнений в частных производных, Навье-Стокса и теплопроводности для формализации и моделирования объектов реального мира.

Извлекать нужную информацию из всевозможных источников, включая информационные потоки в режиме реального времени, разрабатывать научные, технические и инновационные решения для информационной инфраструктуры предприятия с учетом возможностей технологий больших данных, моделей облачных вычислений и принципов информационной безопасности.

Применять концепции моделирования бизнес-экосистем, моделей виртуальной реальности, систем реального времени.

Разрабатывать и внедрять модели глубокого обучения и обучать их на реальных наборах данных.