7M06103 Computer Science в AIU

Целью курса является демонстрация полного цикла анализа, от сбора данных до выбора оптимального решения и оценки его качества. Задача – научить студентов пользоваться современными аналитическими инструментами и адаптировать их под особенности конкретных задач. В рамках курса предлагается освоить основные темы, необходимые в работе с большим массивом данных, поиск структуры в данных, проведение экспериментов, построение выводов, необходимых для решения конкретных прикладных задач

Целями освоения дисциплины «Современные методы принятия решений» являются: формирование теоретических знаний о математических методах поиска и анализа данных для принятия и реализации решений; формирование представление о системах поддержки принятия решений. В процессе освоения дисциплины изучаются следующие темы: основы теории принятия решений, основы теории коллективного выбора, графические модели, основы нейронных сетей, психологические теории поведения человека при принятии решений.

Целью освоения дисциплины «Статистические методы прогнозного моделирования» является познание и применение в рыночных условиях научно-обоснованной системы прогнозирования для оценки состояния и направлений развития объектов в будущем. Задачи: формирование представления о тенденциях развития объекта в ретроспекции; изучение методов получение информации для прогнозирования; изучение методов прогнозирования и технологий моделирования; выбор наилучшего метода прогнозирования; получение прогноза развития объекта на основе определенного метода прогнозирования; формирование навыков обоснования управленческих решений.

Цель дисциплины - уяснение основных стратегий научного исследования и исторических оснований формирования научного знания. Дисциплина дает магистранту целостное представление о возникновении, функционировании и развитии науки и научного знания в историко-культурном контексте. Рассматриваемые темы: философия науки и история науки, мировоззренческие контексты науки, эпистемологическая проблематика науки, аксиология и праксиология научного познания, философия и история отдельных наук.

Цель курса - сформировать представление о современных тенденциях научного управления - новой научной управленческой парадигме. Курс знакомит студентов с историей развития зарубежной и отечественной науки управления, её местом в системе психологического знания. Основных разделы данной дисциплины: психологическое содержание управленческой деятельности, индивидуальная управленческая концепция руководителя, теоретические основы управленческого взаимодействия, психологические особенности реализации основных управленческих функций, психология субъекта управленческой деятельности, психологический анализ взаимосвязи организационных проблем и качества реализации руководителем своих управленческих функций.

Цель дисциплины - формирование языковых и коммуникативных компетенций достаточных для общения в бытовой, социокультурной и профессиональной сферах. Изучение дисциплины способствует развитию информационной культуры; расширяет кругозор и повышает общую культуру, воспитывает толерантность и уважение к духовным ценностям разных стран и народов.

Целью изучения дисциплины «Современные методы анализа данных» является изучение технологии анализа данных: OLAP, KDD, Data Mining и подготовки данных; дать представление об автоматизированных моделях анализа данных, применить методы анализа данных на примере решения задач сегментации, классификации, прогнозирования. Задачами дисциплины являются: изучение понятийно-категориального аппарата в области углубленного анализа данных; формирование представлений об общей методологии консолидации, подготовки и анализа данных; обеспечение освоения современных методов OLAP, KDD, Data Mining; формирование навыков и умений, необходимых для создания и разв��тия корпоративных аналитических систем. В результате изучения данного курса обучающиеся получат знания об общей методологии и конкретных методах углубленного анализа данных, приобретут навыки и умения построения автоматизированных аналитических моделей.

В этом предмете изучается Глубокое обучение, особый вид машинного обучения, который достигает большой мощи и гибкости, обучаясь представлять мир как вложенную иерархию понятий, причем каждое понятие определяется в отношении более простых понятий, а более абстрактные представления вычисляются в терминах менее абстрактных.

Целями освоения дисциплины «Теория информации и комбинаторная теория поиска» являются ● освоение основных понятий теории информации, теории передачи информации по каналам связи, комбинаторной теории поиска; ● понимание значения основных результатов излагаемых теорий в контексте прикладных задач по передаче информации и комбинаторной теории поиска

Целью дисциплины является изучение теоретических основ искусственного интеллекта и проектирования систем, основанных на знаниях, областей использования интеллектуальных систем, их возможностей и ограничений; углубленное изучение теории и практики методов и средств представления и обработки знаний в системах искусственного интеллекта. Задачи: освоение базовых знаний в области искусственного интеллекта и проектирования систем, основанных на знаниях; приобретение теоретических знаний в части представления и обработки знаний в практически значимых предметных областях; проведение собственных теоретических и экспериментальных исследований в области искусственного интеллекта и проектирования прикладных интеллектуальных систем; приобретение навыков работы с инструментальными средствами представления и обработки знаний, а также с прикладными интеллектуальными системами в Интернет

В данном предмете изучается различие между наукой о данных, большими данными и аналитикой данных, исходя из того, чем они являются, где они используются, навыками, необходимыми для того, чтобы стать профессионалом в этой области, и перспективами этой области.

Данная дисциплина охватывает изучение различных моделей автоматической обработки текста на естественном языке, применяемых в современных информационных системах и затрагивающих несколько языковых уровней обрабатываемого текста, включая уровни морфологии, синтаксиса, дискурса и семантики. Изучаются также виды лингвистических ресурсов, используемых при обработке текстов, и методы их создания. Рассматриваются прикладные задачи, требующие многоуровневого анализа и синтеза текста (такие как машинный перевод, классификация и кластеризация текстов, извлечение информации и знаний из текста).

Цель курса – формирование у обучающихся системы знаний о месте и и роли науки, освоить виды научных исследований, дать знания об основных принципах планирования, проведения, оформления результатов научных исследований.

Цель курса - предоставить магистрантам знания о теоретических основах педагогики и педагогического мастерства, управлении учебно-воспитательным процессом в высшей школе. Основные изучаемые темы: теоретико-методологические основы педагогики высшей школы, общеметодологические принципы и приоритетные стратегии развития педагогического образования, традиционные и инновационные технологии учебно-воспитательного процесса и методика организации научно-исследовательской работы студентов высшей школы, самосовершенствование педагогического мастерства и организация профессионально-личностного саморазвития студентов.

Задачами дисциплины является получение обучающимися: - понимания концептуальных положений в области системного анализа и моделирования данных; - практическое применение теоретических подходов к проведению разработки в области системного анализа и моделирования данных; - овладение техническими навыками, связанными с использованием современных средств в области системного анализа и моделирования данных, обеспечения и реализации информационных технологий

Процесс обучения начинается с наблюдений или данных, таких как примеры, непосредственный опыт или инструкция, для того, чтобы искать закономерности в данных и принимать лучшие решения в будущем на основе примеров, которые мы предоставляем. Основная цель - дать компьютерам возможность учиться автоматически, без участия человека и посторонней помощи, и соответствующим образом корректировать действия.

Целями освоения дисциплины «Автоматизированные методы проверки программ» являются овладение магистрантами основными понятиями в области программной инженерии, связанными с методами обеспечения качества программного обеспечения (ПО), и навыками использования методов тестирования ПО с упором на использование формализуемых моделей поведения.

Научно-исследовательский семинар «Информационные технологии в менеджменте» предназначается для ознакомления со структурой и стандартами информационных систем, а управления ими. Он позволяет сформировать умения работать с ERP- системами для средних и крупных предприятий на уровне пользователя, изучить методы внедрения корпоративных информационных систем. Возможностей информационных систем рассматриваются на примере Управление производственным предприятием. Кроме того, осуществляется изучение правил написания магистерских диссертаций в соответствии с требованиями документов.

Дисциплина включают вычислительную науку (Matlab, SAS, R и введение облака), регрессионный анализ, стохастические процессы, финансовая математика, временные ряды, интеллектуальный анализ данных, байесовская статистика, линейное программирование, машинное обучение, аналитика данных, математика климата, редкая выборка и представление, анализ социальной сети, выборка опросов и облачные вычисления. Некоторыми примерами дисциплины являются биостатистика, компьютерная наука, эконометрика, обзоры государственной политики и вычислительная нейронаука

Методологические основы прикладной математической статистики: Прикладная математическая статистика как самостоятельная научная дисциплина. Связь прикладной математической статистики с теорией вероятностей, теоретической математической статистикой и анализом данных Теоретико-вероятностный способ рассуждения в прикладной математической статистике Математические модели в прикладной математической статистике Робастность статистических процедур

Задачами данной дисциплины являются знакомство студентов с основами теории полезности, стохастического доминирования, выработка навыков принятия решений при наличии случайных факторов, в том числе, в управлении инвестиционным портфелем, дать студентам научное представление о методах и моделях современного анализа данных, которые позволяют извлекать знания из количественных и качественных данных необходимые для поддержки принятия решений в процессе управления сложными человеко-машинными и техническими системами.

Целью освоения дисциплины «Теория параллельных и распределенных вычислений» является получение магистрантами знаний в области параллельных и распределенных вычислений, выработка у магистрантов навыков разработки, отладки и исследования производительности параллельных программ. Задачи дисциплины состоят в изучении и практическом освоении современных суперкомпьютерных технологий.

владеть знаниями о философских концепциях естествознания и основах методологии научного познания при изучении различных уровней организации материи, пространства и времени

способность к активному общению на иностранном языке в научной, производственной и социально общественной сферах деятельности

формулировать проблемы, задачи и методы научного исследования, получать новые достоверные факты на основе наблюдений, опытов, научного анализа эмпирических данных, реферировать научные труды, составлять аналитические обзоры накопленных сведений в мировой науке и производственной деятельности, обобщать полученные результаты, формулировать выводы и практические рекомендации

применять современные методики и технологии организации и реализации образовательного процесса на различных образовательных ступенях в различных образовательных учреждениях

определять теоретические основы машинного обучения и умение реализовать методы и алгоритмы для распознавания речи, распознавания жестов, распознавания рукописного ввода, распознавания образов, технической диагностики, медицинской диагностики, прогнозирования временных рядов

определять технологии обработки данных, умение обработать текстовой информации, растровые и векторные графики, анимации, видеоизображения и звуки, знаний, умение проводить сравнительный анализ и выбор технологий обработки данных, осуществлять информационную постановку задач по обработке информации, использовать технологии обработки данных для решения прикладных задач

определять технологии больших данных и больших систем, умение пользоваться аппаратно-программных комплексов, знание методов класса Data Mining, краудсорсинг, смешение и интеграция данных, владение технологиями искусственных нейронных сетей, сетевых анализов, оптимизации, генетического алгоритма, распознавания образов, умение делать анализ геометрических и географических информации в данных, статистический анализ

разрабатывать модели компонентов информационных систем, включая модели баз данных; разрабатывать компоненты программных комплексов и баз данных, использовать современные инструментальные средства и технологии программирования; обосновывать принимаемые проектные решения, осуществлять постановку и выполнять эксперименты по проверке их корректности и эффективности

ориентироваться в языках представления знаний и инструментальных средствах разработки интеллектуальных систем; владеть технологиями параллельного программирования