7M06106 Наука о данных (1 г.) в МУИТ (IITU)

Этот курс на уровне выпускника будет сосредоточен на обобщении базовых знаний бакалавра по теории вероятностей и статистике, обеспечении теории вероятностей и реализации с использованием статистического пакета R.

Data science — одна из самых горячих областей на сегодняшний день, а Python — один из самых популярных инструментов для анализа данных. В этом курсе вы узнаете, как применять свои навыки программирования для построения предиктивных моделей, визуализации данных и работы с нейросетями. Курс ориентирован на практику и позволит вам сразу приступить к работе с данными и построению моделей.

Цель курса-сделать акцент на инструментах и методах визуальной бизнес-аналитики, которые помогут вам лучше использовать ваши ценные информационные ресурсы. Визуализация-это инструмент для изучения тенденций, взаимосвязей, подтверждения гипотез, передачи результатов и получения информации о данных. Этот курс будет сосредоточен на обучении участников принципам и методам создания интерактивных визуальных представлений из необработанных данных, в частности для количественного анализа.

Знакомство с современными трактовками предмета и основных категорий психологической науки; психологическими механизмами управления и закономерностями межличностного взаимодействия в условиях профессиональной деятельности; обоснование актуальности психологического знания в решении практических вопросов в жизнедеятельности человека; развитие системного, творческого мышления будущего специалиста, исследовательской культуры и потребности в непрерывном самообразовании и саморазвитии.

Деятельность магистранта, связанная с выполнением теоретических, экспериментальных исследований конкретного объекта или предмета деятельности, завершающаяся получением новых знаний, решений в определенной предметной области.

Курс адаптирует программу английского языка к профессиональным/исследовательским потребностям магистрантов. В рамках курса магистранты будут работать над индивидуальным проектом и исследовательским портфолио. К концу курса магистранты должны организовать и представить портфолио по своим исследованиям.

Модуль 1. Методологические основы менеджмента: менеджмент как вид деятельности; История управления; Организация как объект управления. Модуль 2. Интеграционные процессы в менеджменте: коммуникация и менеджмент; Управленческие решения в процессе управления. Модуль 3. Функции управления: стратегическое и тактическое планирование в системе управления; Организация как функция управления; Лидерство как функция управления; Контроль в системе менеджмента. Модуль 4. Групповая динамика и лидерство: управление человеческой деятельностью и управление группой; Влияние и власть; Основы лидерства и стиль лидерства; Основы теории конфликта ».

Студенты будут изучать и применять передовые методы искусственного интеллекта в реальных социальных благах таких как здравоохранение, образование и окружающая среда. Цель этого занятия, состоит в том, чтобы дать студентам возможность применять эти методы вне аудитории. Класс будет сосредоточен на методах машинного обучения и глубокого обучения, включая регрессию, машины опорных векторов (SVM), нейронные сети, сверточные нейронные сети (CNNs) и рекуррентные нейронные сети (RNNs). Курс чередуется с лекциями по теории машинного обучения и дискуссиями которые будут предлагать студентам применять методы в своих областях социального блага.

Деятельность магистранта, связанная с выполнением теоретических, экспериментальных исследований конкретного объекта или предмета деятельности, завершающаяся получением новых знаний, решений в определенной предметной области.

Этот курс познакомит учащихся с прикладным машинным обучением, уделяя больше внимания методам, чем статистике, лежащей в основе этих методов. Курс начнется с обсуждения того, чем машинное обучение отличается от описательной статистики, и познакомит с набором инструментов scikit learn через учебное пособие. Будет обсужден вопрос размерности данных, и будет решена задача кластеризации данных, а также оценки этих кластеров.

Первое занятие по нейронным сетям - введение в нишу, путь разработчика в области машинного обучения, математическая модель нейрона, принципы обучения нейронной сети и обучение первой нейронной сети на примере распознавания цифр.

Машинное обучение-это та область искусственного интеллекта, которая связана с вычислительными артефактами, которые изменяют и улучшают свою производительность с помощью опыта. Эта область занимается вопросами как теоретическими, так и практическими. Мы рассмотрим различные методы и алгоритмы машинного обучения.

Практика включает изучение организационной структуры и комплекса технических средств информационно-аналитического центра (ИАЦ) организации. Выявление основных задач, решаемых ИАЦ. Изучение информационного обеспечения выбранной задачи (комплекса задач или подсистемы). Изучение математического обеспечения выбранной задачи (комплекса задач или подсистемы). Изучение программного обеспечения выбранной задачи (комплекса задач или подсистемы). Изучение организационно-правового обеспечения выбранной задачи (комплекса задач или подсистемы). систематизация и анализ фактических материалов, необходимых для написания курсовой работы, научного доклада и отчета о прохождении практики.

Курс предназначен для знакомство с процессом создания и обучения, а также прогнозирования результатов нейронных сетей в системе Матлаб.

Цель магистерской диссертации – демонстрация уровня научной/исследовательской квалификации магистранта, умения самостоятельно вести научный поиск, проверка способности к решению конкретных научных и практических задач, знания наиболее общих методов и приемов их решения. Магистерская диссертация является основанием для присуждения выпускнику академической степени магистра по соответствующей специальности. Она должна демонстрировать зрелость выпускника магистратуры как исследователя, способного творчески формулировать и решать научные и практические проблемы.

Аргументировать выбор основных стандартов, принципов машинного обучения, методов, инструментов и языков программирования, в том числе выбирать методы и средства вычисления задач современных ИКТ.

Применять модели машинного обучения и математические модели.

Создавать математические модели с использованием методов современных информационных технологий.

Строить алгоритмы машинного обучения.

Разрабатывать и/или использовать программное, аппаратное, информационное, математическое, функциональное обеспечение информационных систем.

Проявлять коммуникабельность, инициативность и психологическую подготовленность к трудовой деятельности, в том числе при работе в команде и принимать управленческие и технические решения.

Строить визуализацию при решении задач математического моделирования.

Извлекать нужную информацию из всевозможных источников, включая информационные потоки в режиме реального времени.

Применять методологии исследования в области науки о данных.

Решать прикладные задачи по обработке и анализу данных на предмет выявления в них скрытых зависимостей.

Проводить комплексный анализ и аналитически обобщать результаты научно-исследовательских работ с использованием современных достижений науки и техники, навыки самостоятельного сбора данных, изучения, анализа и обобщения.