7M06105 Наука о данных (профильное направление) в КБТУ (KBTU)

Курс включает в себя интенсивную программу изучения английского языка, ориентированную на грамматику и навыки разговорной речи. В курсе включены темы, отражающие последние достижения в области информационных технологий, а терминологический словарь делает их непосредственно соответствующими потребностям магистрантов.

Данный курс знакомит магистрантов с историей развития зарубежной и отечественной науки управления, её местом в системе психологического знания. Курс позволяет сформировать представление о современных тенденциях научного управления - новой научной управленческой парадигме, а также научит ориентироваться в основных разделах данной дисциплины: психологическом содержании управленческой деятельности, индивидуальной управленческой концепции руководителя, теоретических основах управленческого взаимодействия, психологических особенностях реализации основных управленческих функций, психологии субъекта управленческой деятельности. Дисциплина будет способствовать приобретению навыков психологического анализа взаимосвязи организационных проблем и качества реализации руководителем своих управленческих функций.

Дисциплина является профильной дисциплиной вузовского компонента. Состоит из следующих модулей: стратегическое управление организацией, роль миссии и целей организации, стратегический анализ внешней и внутренней среды компании, конкурентные стратегии компании, разработка и реализация стратегии, корпоративной стратегии, управление стратегическими изменениями.

Курс методы исследований предназначен для ознакомления магистрантов с исследованиями в области технических наук и для развития исследовательских и аналитических навыков магистрантов. Обучающиеся знакомятся с теорией и логикой исследования, этикой, лежащей в основе исследовательского процесса, а также с рядом методов исследования, обычно используемых в технических науках. Внимание будет уделено дизайну исследования, сбору данных, элементарному анализу данных и написанию отчетов. Курс включает обсуждение конкретных методических подходов.

Курс преподается на промежуточном статистическом уровне. Основное внимание уделяется как теории многомерной статистики, так и ее применениям в многомерном анализе. Курс предполагает знакомство с основными понятиями в теории вероятностей и логических выводов. Компьютерная грамотность имеет важное значение, так как мы широко используем компьютер с использованием статистического программного обеспечения SAS.

Этот курс знакомит с основными алгоритмами линейной, сетевой, дискретной, нелинейной, динамической оптимизации и оптимального управления. Акцент делается на методологии и основных математических структурах. Темы включают в себя симплекс-метод, методы сетевого потока, методы ветвления и границы и плоскости разреза для дискретной оптимизации, условия оптимальности для нелинейной оптимизации, методы внутренней точки для выпуклой оптимизации, метод Ньютона, эвристические методы, а также динамическое программирование и методы оптимального управления.

Курс предоставит магистрантам знания о теоретических основах педагогической теории и педагогического мастерства, управлении учебно-воспитательным процессом для преподавания в высшей школе, даст представление об основных категориях педагогики, о месте, роли и значении педагогики высшей школы в системе наук о человеке и в практической деятельности педагога, а также сформирует понимание о базовых принципах современной педагогики и методических подходах к решению педагогических задач высшей школы.

Этот курс предназначен для всестороннего изучения инфраструктуры больших данных с использованием Hadoop, HBase, Hive, Sqoop и PIG, а также для изучения сбора и анализа данных основываясь на классификации, кластеризации, анализа текста, анализа временных рядов и анализа графов. По завершению данного курса магистранты смогут планировать методы оценки, строить архитектуру управления и проводить аналитику больших данных.

В этом курсе Apache Kafka вы научитесь владеть архитектурой, установкой, настройкой и интерфейсами обмена сообщениями Kafka с открытым исходным кодом. С помощью этого курса Kafka вы изучите основы Apache ZooKeeper как централизованной службы и приобретете навыки развертывания Kafka для обмена сообщениями в реальном времени.

Влияет ли знание методов анализа данных на уровень заработной платы? Работает ли система оценки кредитоспособности клиентов банка? Действительно ли новый баннер лучше старого? Чтобы ответить на такие вопросы, нужно собрать данные. Данные почти всегда содержат шум, поэтому утверждения, которые можно сделать на их основе, верны не всегда, а только с определённой вероятностью. Строить наиболее корректные выводы и численно оценивать степень уверенности в них помогают методы статистики. Как можно оценивать неизвестные параметры системы по небольшому количеству наблюдений? Как измерить точность таких оценок? Какие данные нужны, чтобы ответить на ваш вопрос, и на какие вопросы можно ответить с помощью уже имеющихся данных? Вы узнаете все, что нужно для успешного превращения данных в выводы — организация экспериментов, A/B-тестирование, универсальные методы оценки параметров и проверки гипотез, корреляции и причинно-следственные связи.

Методы машинного обучения и распознавания образов лежат в основе многих последних достижений в области «интеллектуальных вычислений». Современные приложения включают машинное восприятие (зрение, прослушивание, распознавание речи), управление (управление процессом, робототехника), интеллектуальный анализ данных, прогнозирование временных рядов (например, в области финансов), обработку естественного языка, интеллектуальный анализ текста и классификацию текста, биоинформатику, нейронную систему. моделирование, вычислительные модели биологических процессов и многие другие области.

Этот курс предоставляет широкое введение в машинное обучение и статистическое распознавание образов. Темы включают: контролируемое обучение (генеративное / дискриминационное обучение, параметрическое / непараметрическое обучение, нейронные сети, машины опорных векторов); обучение без учителя (кластеризация, уменьшение размерности, методы ядра); теория обучения (компромиссы / компромиссы, практические советы); Усиление обучения и адаптивное управление. На курсе также будут обсуждаться последние применения машинного обучения, такие как роботизированное управление, интеллектуальный анализ данных, автономная навигация, биоинформатика, распознавание речи, а также обработка текстовых и веб-данных.

В машинном обучении встречаются задачи, где нужно изучить структуру данных, найти в них скрытые взаимосвязи и закономерности. Например, нам может понадобиться описать каждого клиента банка с помощью меньшего количества переменных — для этого можно использовать методы понижения размерности, основанные на матричных разложениях. Такие методы пытаются сформировать новые признаки на основе старых, сохранив как можно больше информации в данных. Другим примером может служить задача тематического моделирования, в которой для набора текстов нужно построить модель, объясняющую процесс формирования этих текстов из небольшого количества тем. Такие задачи называют обучением без учителя. В отличие от обучения с учителем, в них не предполагают восстановление зависимости между объектами и целевой переменной. Из этого курса вы узнаете об алгоритмах кластеризации данных, с помощью которых, например, можно искать группы схожих клиентов мобильного оператора. Вы научитесь строить матричные разложения и решать задачу тематического моделирования, понижать размерность данных, искать аномалии и визуализировать многомерные данные.

Цель данного предмета изучить структуры теории компьютерной безопасности. Основные понятия теории компьютерной безопасности. Язык. Объекты. Субъекты. Доступ. Ценность информации. Аддитивная модель. Порядковая шкала. Решетка ценности. Анализ угроз информационной безопасности. Угрозы конфиденциальности, целостности, доступности информации, раскрытия параметров информационной системы данных. Основные виды атак на АС. Классификация основных атак на АС и вредоносных программ. Методология построения систем защищенных АС. Построение систем защиты от угрозы нарушения конфиденциальности информации. Организационно режимные меры. Защита от НСД. Построение парольных систем. Криптографические методы защиты. Защита от угрозы нарушения конфиденциальности на уровне содержания информации. Построение систем защиты от угрозы нарушения целостности информации. Организационно-технологические меры защиты. Защита целостности программно-аппаратной среды. Основные методы защиты памяти. Цифровая подпись. Защита от угрозы целостности на уровне содержания информации. Методология обследования и проектирования защиты АС. Применение иерархического метода для построения зщищенной АС. Исследование корректности реализации и методы верификации АС. Теория безопасных систем (TCB). Политика безопасности. Понятие политики безопасности Политика (стратегия) безопасности. Дискреционная политика разграничения доступа. Мандатная (полномочная) политика разграничения доступа. Разработка и реализация политики безопасности. Модели безопасности. Описание систем защиты с помощью матрицы доступа. Модель Харрисона-Руззо-Ульмана (HRU). Разрешимость проблемы безопасности. Модель распространения прав доступа Take-Grant. Расширенная модель Take-Grant, анализ информационных каналов. Описание модели Белла-Лападулы (BL). Защита информации от внутренних угроз. Защищаемый периметр информации. Предотвращение утечек (Data Loss Prevention, DLP) - технологии предотвращения утечек конфиденциальной информации из информационной системы вовне, а также технические устройства (программные или программно-аппаратные) для такого предотвращения утечек. Решения SearchInform.

Этот курс научит студентов MS лучше понимать визуализацию с помощью пакета SAS Viya. Также знайте концепцию визуализаций и техник.

Системы баз данных важны для бизнеса, промышленности и науки. ИТ-специалистам необходимо критически оценить возможности и последствия, предоставляемые такими системами. Им также необходимы знания и сообразительность для выбора, разработки, управления и использования этих систем. Этот продвинутый курс исследует: системы управления базами данных и связанные с ними технологии; управление системами баз данных; и варианты моделирования данных, облегчающие хранение и использование данных. Изучение теорий, управляющих проектированием систем баз данных, сочетается с анализом передовых концепций посредством исследования и последующей практической реализацией и критической оценкой.

В этом курсе вы откроете для себя элементы стиля функционального программирования и научитесь эффективно применять их в повседневных задачах программирования. Вы также разработаете прочную основу для рассуждений о функциональных программах, коснувшись доказательств инвариантов и символического отслеживания выполнения. Курс практический; в большинстве модулей представлены короткие программы, которые служат иллюстрацией важных концепций и предлагают вам поиграть с ними, изменив и улучшив их. Курс дополняется серией программных проектов в качестве домашних заданий. Рекомендуемый уровень подготовки: у вас должен быть не менее года опыта программирования. Знание Java или C # идеально, но также достаточно опыта работы с другими языками, такими как C / C ++, Python, Javascript или Ruby. Вы должны иметь некоторое представление об использовании командной строки.

Курс анализа данных (кейсы из Индустрии) направлен на изучение объектно-ориентированных концепций и принципов, развитие абстрактного мышления и профессиональных навыков будущего специалиста, разработку структуры проекта, формирование и развитие навыков реализации проекта с использованием инструментов анализа данных, сбора данных и структурирования данных. По окончании этого курса магистранты: * Python, SAS, Qlik и т.д. б. используют различные библиотеки языков программирования, такие как;; * уметь готовиться к анализу данных; * Знание моделей статистического прогнозирования для анализа данных. * Выполняйте точный анализ данных.

Курс представляет собой обзор облачных вычислений сверху вниз, от приложений и администрирования до программирования и инфраструктуры. Его основное внимание уделяется методам параллельного программирования для облачных вычислений и крупномасштабных распределенных систем, которые образуют облачную инфраструктуру. Темы включают: обзор облачных вычислений, облачные системы, параллельная обработка в облаке, распределенные системы хранения, виртуализация, безопасность в облаке и многоядерные операционные системы. Студенты будут изучать современные решения для облачных вычислений, разработанные Google, Amazon, Microsoft, Yahoo, VMWare и т. Д. Студенты также будут применять полученные знания в одном задании по программированию и в одном проекте, выполняемом через Amazon Web Services.

Основная цель этого курса - предоставить магистрантам самые фундаментальные знания, чтобы они могли понять, что такое ИИ. Из-за ограниченного времени мы постараемся по возможности исключить теоретические доказательства и формальные обозначения, чтобы учащиеся могли легко получить полную картину ИИ. В этом курсе мы изучим самые фундаментальные знания для понимания ИИ. Мы введем некоторые основные алгоритмы поиска для решения проблем; представление знаний и аргументация; распознавание образов; нечеткая логика; и нейронные сети. Магистранты, заинтересованные в искусственном интеллекте, могут поступить в докторантуру для дальнейшего обучения.

В этом курсе мы узнаем об основах глубоких нейронных сетей и их приложениях к различным задачам ИИ. Ожидается, что к концу курса студенты будут хорошо знакомы с предметом и смогут применять глубокое обучение для решения различных задач. Они также будут в состоянии понять большую часть текущей литературы по этой теме и расширить свои знания путем дальнейшего изучения.

Цель этого курса - дать студентам знания и навыки, необходимые для проведения исследований в области компьютерного зрения и его областей применения, таких как робототехника, здравоохранение и графика. Студенты должны понимать сильные и слабые стороны существующих подходов к исследованию проблем и определять интересные открытые вопросы и направления будущих исследований. Будем надеяться, что студенты также улучшат свои критические навыки чтения и общения.

В этом курсе будут представлены вводные концепции программирования, которые позволяют подключаться к устройствам Интернета вещей и реализовывать на них некоторые функции с использованием языка программирования Python. Кроме того, студенты узнают, как использовать Python для обработки текстовых файлов журналов, таких как файлы, автоматически создаваемые датчиками Интернета вещей и другими системами, подключенными к сети.

В этом курсе мы рассмотрим историю нейронных сетей и современные подходы к глубокому обучению. Аспиранты научатся разрабатывать архитектуры нейронных сетей и процедуры обучения с помощью практических заданий. Аспиранты будут читать текущие исследовательские статьи, чтобы оценить современные подходы, а также поставить под сомнение некоторые шумихи, возникающие в связи с возрождением популярности. Мы изучим и будем использовать важный программный инструмент для современного глубокого обучения: TensorFlow, Open CV.

Этот курс представляет собой обзор основ бизнеса, предназначенный для инженеров и ученых, стремящихся к коммерциализации технологий. Если вы заинтересованы в продолжении дальнейшего обучения по программе предпринимательства. Темы будут включать разработку, тестирование и адаптацию бизнес-концепций; финансирование технологического предприятия; маркетинг и распространение; организационные вопросы; глобальный бизнес; и юридические соображения, влияющие на технологические предприятия. Магистранты разовьют реалистичное видение навыков, которыми они должны овладеть, и придут к пониманию внутренней страсти, которую они должны найти, чтобы реализовать свои предпринимательские устремления.

Применять методические знания в проведении научных исследований, педагогической и воспитательной работы, знать психологические методы и средства для повышения эффективности и качества работы, а также уметь выстраивать коммуникации, и владеть в совершенстве иностранным языком.

Понимать теоретические основы машинного обучения на продвинутом уровне, чтобы проводить исследования в этой области, а также определять основные различия в анализах, которые могут быть вызваны проблемами регрессии, классификации, кластеризации и уменьшения размерности.

Разрабатывать информационные системы с использованием облачных технологии для работы с инфраструктурами данных, инструментами обработки больших датасетов, а также проводить оценку моделей, сгенерированных из данных, используя инфраструктуры больших данных и высокопроизводительных сетей.

Проводить анализ и оценку разведочных данных, случайных переменных, общих дискретных и непрерывных распределений, распределений выборки, с использованием теста гипотез и статистического моделирования.

Разрабатывать новые и применять существующие алгоритмы для решения практических проблем, оптимизации обучающих моделей, и предоставления информации об ожидаемой эффективности от применения этих моделей.

Интерпретировать результаты работ алгоритмов машинного обучения, измерять их надежность и производить обмен полученных данных с экспертами других сфер деятельности.

Оценивать результаты работ модели машинного обучения, разрабатывать и применять новые алгоритмы обучения.

Строить панели данных и аналитические отчеты, используя эффективные методы визуализации и интерпретации.

Быть компетентным в вопросах профессиональной деятельности, формулировать на языке статистики проблемы продвинутого уровня сложности, а также уметь выполнять математические расчеты на компьютере.

Анализировать актуальные источники данных и, на их основании делать выводы, а также аргументировать и принимать решения.